Core Concepts
Konvolutionsschichten in neuronalen Netzen können effizient durch Zustandsraummodelle des Roesser-Typs dargestellt werden. Diese Darstellung ist für den Fall gleicher Eingangs- und Ausgangskanäle minimal.
Abstract
In dieser Arbeit wird eine Zustandsraumdarstellung für allgemeine Faltungsschichten in neuronalen Netzen konstruiert. Für den Fall, dass die Anzahl der Eingangs- und Ausgangskanäle gleich ist, wird gezeigt, dass diese Darstellung minimal ist.
Die Autoren beginnen mit einer Einführung in Faltungsschichten und deren Darstellung als 2D-lineare zeitinvariante dynamische Systeme. Sie erläutern, dass für viele Analysemethoden aus der Regelungstechnik, wie z.B. lineare Matrixungleichungen, eine Zustandsraumdarstellung nützlich ist.
Anschließend wird eine spezielle Zustandsraumdarstellung des Roesser-Typs für 2D-Faltungsschichten hergeleitet. Diese Darstellung hat cin·r1 + cout·r2 Zustände, wobei cin/cout die Anzahl der Eingangs-/Ausgangskanäle und r1/r2 die Breite/Länge des Faltungskerns sind. Für den Fall cin = cout wird gezeigt, dass diese Darstellung minimal ist.
Darüber hinaus werden Zustandsraumdarstellungen für erweiterte Faltungsoperationen wie gedehnte, verschobene und N-dimensionale Faltungen konstruiert.
Stats
Die Zustandsraumdarstellung (2) hat cin·r1 + cout·r2 Zustände.
Wenn cin = cout und der Faltungskern K[r1, r2] vollen Spaltenrang hat, ist die Zustandsdimension cin·r1 + cout·r2 minimal unter allen Realisierungen der Faltung (1).
Quotes
Die Zustandsraumdarstellung (2) kann effizient generiert werden und ist für wichtige Spezialfälle minimal.
Für die Analyse von Abbildungen (1) mit Werkzeugen aus der Regelungstheorie ist oft eine Zustandsraumdarstellung nützlich.