CKConv：连续核卷积用于序列数据

传统的用于序列数据的神经架构存在重要局限性。递归网络（Recurrent Networks）面临梯度爆炸和梯度消失问题，有效的记忆范围较小，并且必须按顺序进行训练。卷积网络（Convolutional Networks）无法处理未知长度的序列，其记忆范围也必须预先定义。在本研究中，我们展示了通过将卷积核在卷积神经网络（CNNs）中表示为连续函数，可以解决所有这些问题。由此产生的连续核卷积（Continuous Kernel Convolution, CKConv）使我们能够在单个操作中并行地建模任意长度的序列，而无需依赖任何形式的递归。我们证明了连续核卷积神经网络（Continuous Kernel Convolutional Networks, CKCNNs）在多个数据集上取得了最先进的结果，例如排列后的MNIST数据集，并且由于其连续性质，能够天然地处理非均匀采样的数据集和不规则采样的数据。CKCNNs以更快、更简单的方式达到了与为此设计的神经常微分方程（Neural Ordinary Differential Equations, ODEs）相当或更好的性能。