Deep Neural Networks in a Mathematical Framework

Ce SpringerBrief décrit comment construire un cadre mathématique rigoureux de bout en bout pour les réseaux de neurones profonds. Les auteurs fournissent des outils pour représenter et décrire les réseaux de neurones, éclairant ainsi les résultats précédents dans le domaine d'une manière plus naturelle. En particulier, les auteurs dérivent des algorithmes de descente de gradient de manière unifiée pour plusieurs structures de réseaux de neurones, y compris les perceptrons multicouches, les réseaux de neurones convolutionnels, les autoencodeurs profonds et les réseaux de neurones récurrents. De plus, le cadre développé est à la fois plus concis et mathématiquement intuitif que les représentations précédentes des réseaux de neurones. Ce SpringerBrief est un pas vers le déverrouillage de la boîte noire de l'apprentissage profond. Les auteurs croient que ce cadre contribuera à catalyser de nouvelles découvertes concernant les propriétés mathématiques des réseaux de neurones. Ce SpringerBrief est accessible non seulement aux chercheurs.