Karmaşık değerli sinir ağlarının avantajları nelerdir?

Araştırmam sırasında, karmaşık değerli girdilerle çalışan (muhtemelen ağırlıklar da dahil) sinir ağları olan "karmaşık değerli sinir ağları" üzerine tökezledim. Bu tür sinir ağlarının gerçek değerli sinir ağlarına göre avantajları (veya basitçe uygulamaları) nelerdir?

neural-networks

— rcpinto
kaynak

Bu makaleye göre , karmaşık değerli ANN'ler (C-ANN'ler) gerçek ANN'lerden daha az sayıda katmanla XOR ve simetri tespiti gibi sorunları çözebilir (her ikisi için 2 katmanlı bir C-ANN yeterlidir, 3 katmanlı R-ANN gereklidir).

Bu sonucun pratikte ne kadar yararlı olduğuna dair hala açık bir soru olduğuna inanıyorum (örneğin doğru topolojiyi bulmayı daha kolay hale getirip getirmediği), bu yüzden şu anda C-ANN'lerin temel pratik avantajı, sorun etki alanı.

Uygulama alanları, optik, sinyal işleme / FFT veya elektrik mühendisliğinde doğal olarak karmaşık değerlerin ortaya çıktığı yerlerdir.

— NietzscheanAI
kaynak

Karmaşık değerlerin "doğal olarak" ortaya çıkmadığı alanlardaki uygulamaları ne engeller?

— dynrepsys

@dynrepsys Bildiğim kadarıyla hiçbir şey, gerçek değerli bir alanda karmaşık girdilere sahip olmak garip bir tasarım seçimi gibi görünebilir.

— NietzscheanAI

Giriş olarak kullanılmadan ağırlıklarda kullanılabilirler mi?

— dynrepsys

@dynrepsys inanıyorum.

— NietzscheanAI

Sadece bir yan not - karmaşık değerli ağırlıklar ve aktivasyonların uygulanması bazı platformların ve dillerin garip olabileceğidir, çünkü çoğu karmaşık değerli veri türlerini desteklemez. C #, VB.net, T-SQL ve aşina olduğum diğerleri gibi bazılarında, yapıları, sınıfları ve kullanıcı tanımlı türleri (UDT'ler) kullanmak gibi çeşitli geçici çözümler mevcuttur, ancak genellikle yalnızca veri türü desteğinde. Şahsen, her bir eksen için bir tane olmak üzere iki (veya daha fazla) gerçek değerli veri türü kullanarak karmaşık ağırlıkları ve aktivasyonları modellemeyi daha kolay buldum. YMMV olsa da, uygulamaya bağlı olarak ...

— SQLServerSteve