现代霍普菲尔德网络中能量优化的收敛方法
鲍一达、
穆罕默德·阿里富扎曼、
陈德乐、
江涛、
侯静、
邢远以及侯东方
《Big Data and Cognitive Computing》:A Convergent Method for Energy Optimization in Modern Hopfield Networks
Yida Bao,
Mohammad Arifuzzaman,
Tran Duc Le,
Tao Jiang,
Jing Hou,
Yuan Xing and
Dongfang Hou
【字体:
大
中
小
】
时间:2026年03月04日
来源:Big Data and Cognitive Computing 5.3
摘要
现代霍普菲尔德网络是一种基于能量的关联记忆模型,其性能在很大程度上取决于能量函数的结构与优化方式。尽管最近的算法提升了存储容量,但由此产生的非凸能量景观往往需要通过启发式更新规则进行优化,而这些规则可能对初始条件较为敏感,且无法保证能量的单调递减或严格的收敛性。在本研究中,我们为现代霍普菲尔德网络提出了一种新的能量函数形式,并设计了一种基于原理的迭代优化方案。该能量函数具有自然的分解结构,可通过凹-凸程序进行优化,从而实现具有明确能量递减特性的网络动态,其效果优于传统的霍普菲尔德更新方法。我们建立了所提框架的基本理论性质,包括能量的非负性、有界性以及随迭代次数增加而单调递减的特性。特别地,我们证明了由此产生的动态会收敛到能量函数的稳定点,从而为相应的霍普菲尔德型模型提供了明确的收敛性保证。此外,我们在合成分类任务上评估了该方法的性能,并将其优化表现与原始霍普菲尔德网络及几种标准的机器学习方法进行了比较。实验结果表明,该方法具有更好的稳定性、收敛性以及出色的分类性能。我们还在现实世界的基准数据集上验证了该方法的有效性,证明了其在实际应用中的价值。总体而言,本研究为现代霍普菲尔德网络提供了一种具有理论依据的基于能量的优化框架,阐明了基于原理的优化在实现稳定且收敛的关联记忆动态中的作用。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号