Systematic Exploration of Power-Augmented Feedforward Layers in Transformer Networks
Notice bibliographique
Résumé
Multi-layer perceptrons (MLPs) represent the foundational architecture of deep learning neural networks, consisting of fully-connected layers organized in a hierarchical structure. While activation functions between layers introduce non-linearity to the overall network, the fundamental computation within each layer remains strictly linear, where each neuron computes a weighted sum of its inputs. This linear nature of individual layer operations is a defining characteristic that constrains the expressiveness of each layer to linear transformations, with the network’s overall representational capacity determined by its depth (number of layers) and width (number of neurons per layer). In this thesis, the efficiency of using power-augmented networks in transformer models will be investigated. Power-augmented networks utilize trainable powers on their connections, allowing powers to be any real numbers. This introduces a more expressive form of learning non-linearity in neural networks and enables the learning of complex curves using non-linear power-augmented connections potentially enabling capturing of intricate patterns more efficiently. While conventional networks are fundamentally limited to learning piecewise linear functions, power- augmented functions can capture complex curves with fewer resources than traditional approaches. A crit- ical challenge addressed in this work involved ensuring numerical stability, particularly when dealing with fractional powers and small input values. Through systematic experiments, this thesis delivers an optimized NVIDIA CUDA implementation for the power-augmented perceptron layer and novel solutions to training stability challenges inherent in networks with dynamic power parameters. The presented evaluation framework demonstrates that power-augmented networks can achieve optimal performance with significant trade-offs across measurable metrics such as parameter count, validation loss, training time, and inference time. Key findings show that power-augmented networks can achieve superior or comparable validation loss performance to deeper baseline models while requiring fewer parameters and offering reductions in computation time and latency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».