Hyper Input Convex Neural Networks for Shape Constrained Learning and Optimal Transport
用于形状约束学习与最优传输的超输入凸神经网络AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要内容为神经网络架构与最优传输计算方法，属于机器学习与计算方向，未涉及所提供计量经济学领域细分中的因果推断、面板、时间序列、资产定价等主题，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于形状约束学习与最优传输的超输入凸神经网络
- 研究问题
- 摘要称，如何构造一种对输入始终为凸、能利用深度、并在大规模训练下比输入凸神经网络（ICNN）更可靠的神经网络，以用于凸函数学习与最优传输映射估计。
- 方法与思路
- 作者提出 HyCNNs，将 Maxout 网络与输入凸神经网络（ICNN）的原理结合；摘要称理论上证明其逼近二次函数所需参数比 ICNN 指数级更少，并用合成实验做凸回归与插值，再应用于合成例子与单细胞 RNA 测序数据的高维最优传输映射学习。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出 HyCNNs 这一始终对输入凸的架构；给出相对 ICNN 的参数效率理论结果；在合成凸回归与插值任务上报告优于 ICNN 与 MLP 的预测表现；在合成与单细胞数据的最优传输任务上常优于基于 ICNN 的神经最优传输方法及其他基线。
- 阅读关注点
- 应核对凸性成立所需的具体结构条件与证明假设、参数效率定理的精确陈述与适用范围、实验的基线设置与评价指标、最优传输实验的数据规模与调参方式，以及结论是否在多种设定下稳健。
- 阅读边界
- 仅凭摘要无法判断定理证明的严谨性、实验可复现性与统计显著性，也无法确认相对基线的优势是否普遍成立；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We introduce Hyper Input Convex Neural Networks (HyCNNs), a novel neural network architecture designed for learning convex functions. HyCNNs combine the principles of Maxout networks with input convex neural networks (ICNNs) to create a neural network that is always convex in the input, theoretically capable of leveraging depth, and performs reliable when trained at scale compared to ICNNs. Concretely, we prove that HyCNNs require exponentially fewer parameters than ICNNs to approximate quadratic functions up to a given precision. Throughout a series of synthetic experiments, we demonstrate that HyCNNs outperform existing ICNNs and MLPs in terms of predictive performance for convex regression and interpolation tasks. We further apply HyCNNs to learn high-dimensional optimal transport maps for synthetic examples and for single-cell RNA sequencing data, where they oftentimes outperform ICNN-based neural optimal transport methods and other baselines across a wide range of settings.