ترجمه فارسی مقاله شبکه های عصبی اشتاینمتز برای داده های با ارزش پیچیده

چکیده

In this work, we introduce a new approach to processing complex-valued data using DNNs consisting of parallel real-valued subnetworks with coupled outputs. Our proposed class of architectures, referred to as Steinmetz Neural Networks, leverages multi-view learning to construct more interpretable representations within the latent space. Subsequently, we present the Analytic Neural Network, which implements a consistency penalty that encourages analytic signal representations in the Steinmetz neural network’s latent space. This penalty enforces a deterministic and orthogonal relationship between the real and imaginary components. Utilizing an information-theoretic construction, we demonstrate that the upper bound on the generalization error posited by the analytic neural network is lower than that of the general class of Steinmetz neural networks. Our numerical experiments demonstrate the improved performance and robustness to additive noise, afforded by our proposed networks on benchmark datasets and synthetic examples.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، ما یک رویکرد جدید برای پردازش داده های با ارزش پیچیده با استفاده از DNN ها متشکل از زیر شبکه های با ارزش واقعی موازی با خروجی های همراه معرفی می کنیم.کلاس پیشنهادی معماری های ما ، که از آن به عنوان شبکه های عصبی Steinmetz یاد می شود ، یادگیری چند منظره را برای ساختن بازنمایی های قابل تفسیر در فضای نهفته اعمال می کند.پس از آن ، ما شبکه عصبی تحلیلی را ارائه می دهیم ، که یک مجازات قوام را اجرا می کند که بازنمایی سیگنال تحلیلی را در فضای نهفته شبکه عصبی اشتاینمتز تشویق می کند.این مجازات یک رابطه قطعی و متعامد بین اجزای واقعی و خیالی را تقویت می کند.با استفاده از یک ساخت و ساز نظری اطلاعاتی ، ما نشان می دهیم که محدوده بالایی بر خطای تعمیم یافته توسط شبکه عصبی تحلیلی پایین تر از کلاس عمومی شبکه های عصبی اشتاینمتز است.آزمایش های عددی ما نشان دهنده بهبود عملکرد و استحکام در سر و صدای افزودنی است که توسط شبکه های پیشنهادی ما در مجموعه داده های معیار و نمونه های مصنوعی ارائه می شود.