تم تقديم طريقة جديدة لتحسين جزئي وكامل للاتصالات في شبكات البوابات المنطقية القابلة للتفاضل العميقة (LGNs) وشبكات جداول الاسترجاع (LUTNs). يستخدم نهج التدريب توزيع احتمالي على الاتصالات لكل دبوس إدخال، مختاراً أعلى اتصال فائدة بينما يتعلم أنواع البوابات المثلى أو إدخالات LUT بالتوازي.
- تتفوق شبكات LGN المحسّنة للاتصالات على المتغيرات القياسية ذات الاتصالات الثابتة في معايير Yin-Yang وMNIST وFashion-MNIST باستخدام عدد أقل بكثير من البوابات المنطقية.
- حققت الطريقة دقة بنسبة 98.92% على MNIST بطبقتين تحتويان على 8000 بوابة، مما يتطلب تقريباً 50 مرة أقل من البوابات مقارنة بشبكات LGN ذات الاتصالات الثابتة.
- يتم ضمان استقرار التدريب حتى عشر طبقات عبر معدلات تعلم عالية، وتقديرات straight-through، وقص أنواع البوابات ذات الإخراج الثابت.
- يُمكّن وصف عصب LUT التدريب بالتدرج العكسي المستقر في الشبكات التي يصل عمقها إلى ست طبقات بأربعة أضعاف عدد المعلمات القابلة للتدريب أقل.
- حققت خوارزمية تدريب الاتصالات دقة بنسبة 98.88% على شبكات LUTNs باستخدام طبقتين من 2000 وحدة LUT بستة مدخلات.
تُظهر هذه الطريقة أن تحسين الاتصالات يسمح بنماذج أكثر كفاءة بشكل كبير تحافظ على الدقة أو تحسّنها مقارنة بالهياكل التقليدية ذات الاتصالات الثابتة.