该论文介绍了JacNet，这是一种神经网络架构，它直接学习输入-输出函数的雅可比矩阵，而不是映射本身。这种方法允许对导数属性进行精确控制，从而能够实施结构性先验，如可逆性和k-Lipschitz连续性。

  • 模型确保学习的函数是可逆的，便于计算逆函数。
  • 它能够对学习到的映射施加1-Lipschitz约束。
  • 该方法提供了一种将关于真实映射的先验知识纳入学习过程的机制。

通过直接构建导数结构，JacNet提供了一种学习满足特定应用所需数学属性的近似方法。