AI消息速览

神经网络拓扑表达力的构造性界

事件日期 2026-10-09 · 学术前沿 · 已接受

事件日期2026-10-09
信息日期2026-10-09
入库日期2026-10-12
通道学术前沿
状态已接受
来源arXiv 论文

知识卡片:神经网络拓扑表达力的构造性界

一句话结论

该研究提出用神经网络输出空间 ( \beta(\Phi(X)) ) 的 Betti 数(而非决策边界的 Betti 数)来刻画拓扑表达力,为 ReLU 网络构造性地给出了表达任意连通 Betti 数序列的架构上界,并针对球面乘积与球面同胚空间给出更紧的界与猜想。

事件概述或研究问题

  • 论文标题:Constructive Bounds for the Topological Expressivity of Neural Networks
  • 作者:Kosio Beshkov
  • arXiv ID:2610.13931v1(学科分类:math.AT 主分类,cs.LG 交叉)
  • 发表/更新:2026-10-09T17:55:33Z(同日更新)
  • 核心研究问题:如何衡量神经网络在回归等不涉及决策边界的问题上的“拓扑表达力”。
  • 作者指出:传统“拓扑表达力”常以决策边界的 Betti 数 ( \beta(\Phi^{-1}(0)) ) 表述,虽在二分类中流行,但对回归及其他无决策边界的问题不够有用。
  • 替代方案:改为研究网络输出 ( \beta(\Phi(X)) ) 的 Betti 数。

方法/产品要点

  • 研究对象为 ReLU 网络,用三元组形式表示架构(输入维度、隐藏层宽度、输出维度)。
  • 构造方法一(楔和):证明一个 ReLU 网络,其架构为 [ \left(d,\ \sum_{k=1}^{d}\beta_k(3k+2),\ \sum_{k=1}^{d}\beta_k(k+1)\right) ] 可以表达与球面楔和(wedge sums of spheres)同伦等价的空间,且可实现任意 Betti 数。
  • 构造方法二(球面乘积):通过构造与 (N ) 个球面之积同伦等价的空间(球面维度分别为 ( d_1,\dots,d_N )),获得更优的架构界 [ \left(\sum_{n=1}^{N} d_n,\ 3\sum_{n=1}^{N} d_n + 2N,\ \sum_{n=1}^{N} d_n + N\right) ] 其对应 Betti 数由多项式 ( \prod_n (1+x^{d_n}) ) 给出。
  • 最后提出一个更强的紧界猜想:对与球面同胚的空间,架构界可达到 ( (d, d+1, d+1) )。

主要结果或产业意义

  • 对任意连通(( \beta_0 = 1 ))的 Betti 数序列,楔和构造给出了一组通用上界。
  • 球面乘积构造在特定 Betti 数分布下显著改善了上述上界。
  • 猜想若成立,将把球面同胚情形的架构需求压缩到接近最小规模 ( (d, d+1, d+1) ),但目前仅为猜想,尚待证明。
  • 从产业角度看,这类构造性界为“需要网络输出具有指定拓扑结构(如孔洞数量、连通分支数)”的任务提供了架构设计的理论参考,但材料未给出具体应用实验或基准。

为什么重要

  • 将拓扑表达力的研究对象从“决策边界”转向“网络输出”,使该度量可覆盖回归等无决策边界问题,扩展了拓扑表达力分析的适用场景。
  • 以 Betti 数为目标,把“网络能表达什么形状的拓扑空间”转化为可计算的架构规模上界,连接了代数拓扑与网络容量理论。
  • 与已有卡片脉络的关系:本卡片关注网络输出空间的拓扑表达力与构造性架构界;此前的“输入凸神经网络与 Zonotope 上 Lp 范数最大化的参数化复杂性”同样讨论网络结构的理论性质,但后者聚焦凸性与范数最大化的计算复杂性,本条则聚焦 Betti 数与同伦类型的可实现性,二者不重复。其余已有卡片(有限体积残差训练 GNN、奇环香农容量)主题不同,无直接延续关系。

局限与不确定性

  • 论文给出的上界基于构造性证明,但未提及这些构造在实际训练中是否可达(即存在性证明与可学习性之间的差距),待核实。
  • 球面同胚情形的 ( (d, d+1, d+1) ) 仅为猜想,未被证明,待核实。
  • 材料未包含实验验证、数据集或与基线方法的定量比较,待核实。
  • 材料未讨论该度量在高维或非连通情形下的计算可行性,待核实。

可用于图书/PPT/简报的角度

  • “从决策边界到输出空间”:拓扑表达力度量的范式转换。
  • 用 Betti 数讲故事:如何用“孔洞数量”描述神经网络能表达的形状。
  • 构造性界 vs 紧界:存在性证明与最优性猜想之间的张力。
  • 架构三元组 ( (d, \text{width}, \text{out}) ) 与拓扑复杂度的对应关系。
  • 回归任务为何需要新的表达力度量。

原始材料

  • Fetched title: Constructive Bounds for the Topological Expressivity of Neural Networks
  • arXiv ID: 2610.13931v1
  • Authors: Kosio Beshkov
  • Published/Updated: 2026-10-09T17:55:33Z
  • Primary category: math.AT;Categories: math.AT, cs.LG
  • Abstract URL: https://arxiv.org/abs/2610.13931v1
  • PDF URL: https://arxiv.org/pdf/2610.13931v1
  • 关键词(英文原始):topological expressivity, Betti numbers, ReLU networks, homotopy equivalence, wedge sums of spheres, products of spheres

发现内容有误?

免登录提交,管理员审核并完成修正后才会公开修订说明。

值得关注

将拓扑表达力的研究对象从“决策边界”转向“网络输出”,使该度量可覆盖回归等无决策边界问题,扩展了拓扑表达力分析的适用场景。 以 Betti 数为目标,把“网络能表达什么形状的拓扑空间”转化为可计算的架构规模上界,连接了代数拓扑与网络容量理论。 与已有卡片脉络的关系:本卡片关注网络输出空间的拓扑表达力与构造性架构界;此前的“输入凸神经网络与 Zonotope…

相关主题

对应的教材知识点

根据卡片内容自动匹配,点击查看已审核的教材讲解: