12:13
官方账号arXiv cs.LG@V. S. Usatyuk, D. A. Sapozhnikov, S. I. Egorov
精选
推荐理由：一篇用物理模型替代CNN做分类的论文：KSSE用2100万参数在ImageNet-1000上做到88.93%，超过Swin-L，逼近ViT-H/14，值得看看方法。
ImageNet-1000
共 1 条相关 AI 资讯
7月31日
12:13
论文提出 KSSE（Kohn–Sham Spectral Embedding），用稀疏图上的谱嵌入替代稠密 CNN 分类器，并在相关随机键 Ising 模型的 Nishimori 温度下求解。在冻结 EfficientNet-B4 特征（D=1792）的 ImageNet-1000 传导协议上，KSSE 用约 21.24M 参数达到 88.93% Top-1 准确率。这优于 Swin-L（197M 参数，86.4–87.3%），并以约十分之一参数匹配 ViT-H/14（632M 参数，88.0–89.5%）。方法通过星域手术优化图拓扑，将残差挫败限制在 ρ≤1+δ，并证明 Ihara–Bass 恒等式等六个理论结果。