arXiv cs.AI· Jiawen Dai, Yue Song·· 1 天前AI 评分38
Winfree 振荡神经网络 WONN：首个在 ImageNet-1K 上具备竞争力的同步振荡架构
Winfree Oscillatory Neural Network
AI 导读
研究者提出基于广义 Winfree 动力学的 Winfree 振荡神经网络（WONN），在环面 (S^1)^d 上通过结构化振荡交互演化表示。WONN 在 CIFAR、ImageNet、Maze-hard 和 Sudoku 上取得有竞争力或更优的表现，是首个在 ImageNet-1K 上具备竞争力的同步振荡架构。
正文 · AI 翻译
摘要：振荡与同步被广泛认为在表征和计算中发挥着基础性作用。然而，现有基于同步动力学的机器学习方法在很大程度上局限于目标发现等专门场景，其在标准视觉基准或逻辑推理任务上的可扩展性证据有限。我们提出 Winfree 振荡神经网络（WONN），这是一种基于广义 Winfree 动力学的动态神经架构。WONN 通过结构化的振荡交互在环面 $(S^1)^d$ 上演化表征，将基于相位的归纳偏置与灵活的分层交互机制相结合，后者可实例化为固定的三角映射或可学习的神经网络。我们在图像识别和复杂推理任务上评估 WONN，包括 CIFAR、ImageNet、Maze-hard 和 Sudoku。在这些领域中，WONN 取得了有竞争力或更优的性能，并具有强大的参数效率。特别是，据我们所知，WONN 是首个能够以有竞争力的性能扩展到 ImageNet-1K 的基于同步的振荡架构。此外，在 Maze-hard 上，WONN 仅使用先前最先进模型 1% 的参数就达到了 80.1% 的准确率。这些结果表明，结构化振荡动力学为传统神经架构提供了一种可扩展且参数高效的替代方案。
| 评论： | 项目页面：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2605.20922 [cs.LG] |
| （或 arXiv:2605.20922v2 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2605.20922 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiawen Dai [查看邮箱]
[v1]
2026年5月20日星期三 09:08:00 UTC（5,745 KB）
[v2]
2026年11月11日星期三 10:20:27 UTC（5,745 KB）
来源：arXiv cs.AI · arxiv.org