В статье представлена JacNet, архитектура нейронной сети, которая напрямую обучает якобиан входно-выходной функции, а не само отображение. Этот подход позволяет точно контролировать свойства производных, обеспечивая соблюдение структурных априорных знаний, таких как обратимость и k-липшицева непрерывность.

  • Модель гарантирует, что изученные функции являются обратимыми, что позволяет легко вычислять обратные.
  • Она демонстрирует способность накладывать ограничения 1-липшицевости на изучаемые отображения.
  • Метод предоставляет механизм для включения априорных знаний о истинных отображениях в процесс обучения.

Структурируя производную напрямую, JacNet предлагает способ изучения аппроксимаций, удовлетворяющих определённым математическим свойствам, необходимым для некоторых приложений.