证明了预测编码图是前馈神经网络的数学超集，拓展了神经网络的拓扑可能性。
Predictive Coding Graphs are a Superset of Feedforward Neural Networks
- 用数学方法证明预测编码图包含前馈神经网络的所有结构
- 揭示非层级神经网络在机器学习中的潜在通用性
- 适合研究神经网络拓扑结构的学者与理论方向探索者
预测编码图（PCGs）是近期提出的预测编码网络的推广，一种受神经科学启发的概率潜变量模型。本文证明了PCGs在数学上构成前馈人工神经网络（多层感知机）的超集。这一发现将预测编码网络更牢固地置于当代机器学习框架内，支持了此前关于使用非层级神经网络开展机器学习任务的提议，并进一步强调了神经网络拓扑结构的重要性。
原文摘要 · Abstract (English)
Predictive coding graphs (PCGs) are a recently introduced generalization to predictive coding networks, a neuroscience-inspired probabilistic latent variable model. Here, we prove how PCGs define a mathematical superset of feedforward artificial neural networks (multilayer perceptrons). This positions PCNs more strongly within contemporary machine learning (ML), and reinforces earlier proposals to study the use of non-hierarchical neural networks for ML tasks, and more generally the notion of topology in neural networks.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。