Closed-form Continuous-time (CfC) に関する報道

この研究では、動的 3D ガウス スプラッシュの変形フィールドを、決定論的な CfC ユニットからノイズ項を追加する SDE バージョンに拡張します。液体ニューラル ネットワークの確率論的な堅牢性を維持するためにトレーニング中にガウス摂動が注入され、推論コストは変化しません。以前の純粋に決定論的な閉形式ソリューションと比較して、これは破棄されたランダム項を補償し、連続時間モデリングを液体ネットワークの元の設計に近づけます。