Analytic Convolutional Layer: A Step to Analytic Neural Network

本文介绍了一种创新的模型驱动卷积层——解析卷积层（ACL），ACL是由解析卷积核（ACKs）和传统卷积核组成的马赛克结构。ACKs由数学函数组成，由训练过程中学习的解析卷积核参数（AKPs）控制。可学习的AKPs允许自适应更新先前嵌入的知识以与数据特征表示对齐。我们的广泛实验表明，ACL不仅具有出色的特征表示能力，而且参数数量减少，通过ACKs的解析公式表达，可提高可靠性。此外，ACL为神经网络的解释提供了一种手段，为神经网络的内在可解释性铺平了道路。源代码将与论文一起发布。

ACL试图解决卷积神经网络中嵌入先验知识的问题，提出了一种创新的基于模型的卷积层，即ACL。

ACL是由解析卷积核（ACK）和传统卷积核组成的马赛克结构，ACK由数学函数和解析卷积核参数（AKPs）组成，AKPs是在训练过程中学习的，可适应数据特征表示的更新。ACL不仅具有出色的特征表示能力和较少的参数数量，而且还通过ACK的解析公式提高了可靠性。此外，ACL还提供了神经网络解释的手段，为神经网络的内在可解释性铺平了道路。

ACL实验设计了大量实验，证明了ACL具有出色的特征表示能力和较少的参数数量，通过ACK的解析公式提高了可靠性。ACL还提供了神经网络解释的手段，并且源代码将随论文一起发布。

最近的相关研究包括使用卷积核库嵌入先验知识的方法和使用可分离卷积核的方法。