शोधकर्ता गहन विभेद्य लॉजिक गेट नेटवर्क (LGN) और लुकअप टेबल नेटवर्क (LUTN) में कनेक्शन के आंशिक और पूर्ण अनुकूलन के लिए एक विधि प्रस्तुत करते हैं। दृष्टिकोण संभावना वितरण का उपयोग इनपुट पिंक प्रति उच्चतम merit वाले कनेक्शन को चुनने के लिए करता है, जबकि समानांतर में इष्टतम गेट प्रकार या LUT एंट्री सीखता है।
- कनेक्शन-अनुकूलित LGN, Yin-Yang, MNIST और Fashion-MNIST बेंचमार्क पर मानक स्थिर-कनेक्शन LGN से बेहतर प्रदर्शन करते हैं, बहुत कम लॉजिक गेट का उपयोग करके।
- विधि दो 8000 गेट वाली परतों के साथ MNIST पर 98.92% सटीकता प्राप्त करती है, स्थिर-कनेक्शन LGN की तुलना में लगभग 50 गुना कम गेट की आवश्यकता होती है।
- उच्च लर्निंग रेट, स्ट्रेट-थ्रू एस्टीमेटर्स और स्थिर-आउटपुट गेट प्रकारों को काटकर दस परतों तक प्रशिक्षण स्थिरता सुनिश्चित की जाती है।
- एक LUT न्यूरॉन विवरण चार गुना कम प्रशिक्षणीय पैरामीटर के साथ छह परत गहरे नेटवर्क के लिए स्थिर बैकप्रोपगेशन प्रशिक्षण सक्षम बनाता है।
- एल्गोरिदम दो 2000 6-इनपुट LUT वाली परतों का उपयोग करके LUTN पर 98.88% सटीकता प्राप्त करता है।
कनेक्शन-प्रशिक्षण एल्गोरिदम उन मॉडल के लिए काफी अधिक कुशल बनाता है जो पारंपरिक स्थिर-कनेक्शन दृष्टिकोण की सटीकता को बनाए रखते हैं या उससे अधिक होते हैं।