يقدم الباحثون طريقة لتحسين الاتصالات جزئياً وكاملاً في شبكات البوابات المنطقية القابلة للتفاضل العميقة (LGNs) وشبكات جداول البحث (LUTNs). تستخدم هذه الطريقة توزيعاً احتمالياً لاختيار الاتصال الأعلى جودة لكل مدخل بينما تتعلم بالتوازي أنواع البوابات المثلى أو إدخالات LUT.
- تتفوق LGNs المحسّنة الاتصالات على LGNs ذات الاتصالات الثابتة القياسية في معايير Yin-Yang وMNIST وFashion-MNIST باستخدام عدد أقل بكثير من البوابات المنطقية.
- تحقق الطريقة دقة بنسبة 98.92% على MNIST بطبقتين تحتويان على 8000 بوابة، مما يتطلب حوالي 50 مرة أقل من البوابات مقارنة بـ LGNs ذات الاتصالات الثابتة.
- يتم ضمان استقرار التدريب حتى عشر طبقات عبر معدلات تعلم عالية، وتقديرات straight-through، وتقليم أنواع البوابات ذات المخرج الثابت.
- يُمكّن وصف عصب LUT التدريب بالانتشار العكسي المستقر للشبكات التي يصل عمقها إلى ست طبقات بأربعة أضعاف عدد المعلمات القابلة للتدريب أقل.
- يحقق الخوارزمية دقة بنسبة 98.88% على LUTNs باستخدام طبقتين من 2000 وحدة LUT بستة مداخل.
تسمح خوارزمية تدريب الاتصالات بنماذج أكثر كفاءة بشكل كبير تحافظ أو تتجاوز دقة النهج التقليدية ذات الاتصالات الثابتة.