arXiv cs.AI· A. Emilie J. Wedenborg, Anders V. N{\o}rskov, Teresa Dorszewski, Kristoffer Wickstr{\o}m, Morten M{\o}rup·· 9 天前AI 评分22
Polytopal Neural Network：用多胞体结构实现可解释的神经网络表示
The Polytopal Neural Network
AI 导读
研究者提出 Polytopal Neural Networks（PNNs），通过强制多胞体结构在信息处理中直接提取逐层的不同方面，并借助学习到的语料表示与摊销单纯形推理实现规模化。实验显示，多胞体约束在潜空间中保留了有意义的结构，性能下降极小，在无监督学习中比 VQ 表示获得更优的压缩表示，同时为 VQ 深度学习训练提供了新方法。
正文 · AI 翻译
摘要：理解深度神经网络如何处理信息仍然是一项核心挑战。现有的可解释性方法往往损害结构保真度、依赖预先指定的语料库，或对模型进行事后解释。我们提出多胞形神经网络（PNNs），这是一个通过强制基于多胞形的结构来提取不同层级方面的框架，该结构直接用于后续的信息处理。我们使用学习到的语料库表示和摊销单纯形推理过程来扩展我们的方法，并强调该框架如何也为向量量化（VQ）训练提供直接途径。在 PNNs 中，观测值通过其与层级特定方面的对齐来明确描述。实证结果表明，对神经网络表示施加多胞形约束能够在潜在空间中保留有意义的结构，同时性能下降最小，在无监督学习中与 VQ 表示相比具有更有利的压缩表示，同时也为 VQ 深度学习训练提供了一种性能良好的新方法。我们的发现表明，深度网络能够强制实现可解释的基于多胞形的表示，为更透明的人工智能系统提供了一条原则性路径，且性能损失最小。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.12004 [cs.LG] |
| （或 arXiv:2610.12004v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12004 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Anna Emilie Jennow Wedenborg [查看电子邮件]
[v1]
2026年10月8日星期四 14:08:53 UTC（4,393 KB）
来源：arXiv cs.AI · arxiv.org