针对完全连续的组合视觉表示的软张量积表示

本研究解决了深度学习模型在组合表示中的符号与连续性不匹配问题。通过扩展Smolensky的张量积表示，提出了一种新的持续组合表示——软张量积，并设计了专门用于学习软张量积的网络架构。研究发现，软张量积在视觉表示学习领域中，展现出优于符号组合表示的多项优势，包括最佳的解耦能力和更高的样本效率。