L'article présente JacNet, une architecture de réseau neuronal qui apprend directement le jacobien d'une fonction entrée-sortie plutôt que la mapping elle-même. Cette approche permet un contrôle précis des propriétés de la dérivée, permettant l'imposition de priors structurels tels que l'inversibilité et la continuité k-Lipschitz.
- Le modèle garantit que les fonctions apprises sont inversibles, permettant un calcul aisé des inverses.
- Il démontre la capacité d'imposer des contraintes 1-Lipschitz aux mappings appris.
- La méthode fournit un mécanisme pour intégrer des connaissances a priori sur les mappings réels dans le processus d'apprentissage.
En structurant directement la dérivée, JacNet offre un moyen d'apprendre des approximations qui satisfont des propriétés mathématiques spécifiques requises pour certaines applications.