ترجمه فارسی مقاله تحلیل پایداری نمایش‌های کانولوشنی هم‌وردا از دریچه‌ی CKNهای چندلایه‌ی هم‌وردا

چکیده

In this paper we construct and theoretically analyse group equivariant convolutional kernel networks (CKNs) which are useful in understanding the geometry of (equivariant) CNNs through the lens of reproducing kernel Hilbert spaces (RKHSs). We then proceed to study the stability analysis of such equiv-CKNs under the action of diffeomorphism and draw a connection with equiv-CNNs, where the goal is to analyse the geometry of inductive biases of equiv-CNNs through the lens of reproducing kernel Hilbert spaces (RKHSs). Traditional deep learning architectures, including CNNs, trained with sophisticated optimization algorithms is vulnerable to perturbations, including `adversarial examples’. Understanding the RKHS norm of such models through CKNs is useful in designing the appropriate architecture and can be useful in designing robust equivariant representation learning models.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما شبکه های هسته ای حلقوی گروهی (CKN) را که در درک هندسه CNN (Equivariart) از طریق لنز تولید مثل فضاهای هسته هیلبرت (RKHSS) مفید هستند ، ایجاد و تجزیه و تحلیل می کنیم.ما سپس به بررسی تجزیه و تحلیل پایداری چنین معادلات CKN ها تحت عمل دیفرفومورفیسم می پردازیم و با Equiv-CNN ها ارتباط برقرار می کنیم ، جایی که هدف تجزیه و تحلیل هندسه تعصبات القایی Equiv-CNN از طریق لنزهای تولید مثل فضاهای هسته هیلبرت است.(rkhss).معماری های یادگیری عمیق سنتی ، از جمله CNN ، آموزش دیده با الگوریتم های بهینه سازی پیشرفته ، در برابر آشفتگی ها آسیب پذیر است ، از جمله “نمونه های مخالف”.دانستن هنجار RKHS چنین مدل هایی از طریق CKNS در طراحی معماری مناسب مفید است و می تواند در طراحی مدل های یادگیری بازنمایی Equivariant قوی مفید باشد.