شبکه های پیچیده عمیق Deep Complex Networks

شبکه های پیچیده عمیق نوعی از شبکه های عصبی هستند که از اعداد مختلط به جای اعداد واقعی برای عملیات و نمایش خود استفاده می کنند [۱].

 آنها پتانسیل ارائه ظرفیت بازنمایی غنی تر و تسهیل مکانیسم های بازیابی حافظه با نویز قوی را دارند [۱].

 با این حال، آنها به دلیل عدم وجود بلوک های ساختمانی مورد نیاز برای طراحی چنین مدل هایی به حاشیه رفته اند [۱].

 کار اخیر مولفه‌های اتمی کلیدی را برای شبکه‌های عصبی عمیق با ارزش پیچیده ارائه کرده و آن‌ها را در شبکه‌های پیش‌خور کانولوشنی به کار گرفته است [۱-۲-۳].

برخی از ویژگی های کلیدی شبکه های پیچیده عمیق عبارتند از:

• کانولوشن های پیچیده: به جای کانولوشن های واقعی از کانولوشن های پیچیده استفاده می شود [۱].
• نرمال سازی دسته ای پیچیده: الگوریتم هایی برای نرمال سازی دسته ای پیچیده ایجاد شده است [۱].
• استراتژی های اولیه سازی وزن پیچیده: استراتژی هایی برای مقداردهی اولیه وزن های پیچیده ایجاد شده است [۱].

چندین مخزن در GitHub وجود دارد که پیاده سازی شبکه های پیچیده عمیق را ارائه می دهد [۴-۵].

 یادگیری عمیق دینامیک سرایت در شبکه های پیچیده یکی دیگر از زمینه هایی است که شبکه های پیچیده عمیق در آن به کار گرفته شده اند [۶].

مراجع

1. Deep Complex Networks - OpenReview

2. [1705.09792] Deep Complex Networks - arXiv

3. [PDF] DEEP COMPLEX NETWORKS - OpenReview

4. russellgeum/Deep-Complex-Networks: (NOT Official) Implementation Deep Comple Networks and Plug-in module (e.g. Neural Preprocessing Layer) (ICLR 2018) - GitHub

5. ChihebTrabelsi/deep_complex_networks: Implementation related to the Deep Complex Networks - GitHub

6. Deep learning of contagion dynamics on complex networks | Nature Communications