Deep Learning hat sich für verschiedene digitale Aufgaben bewährt. Während die meisten Methoden für reelle Eingaben konzipiert sind, arbeiten einige Anwendungen wie MRT-Bilder oder physikalische Gleichungen naturgemäß mit komplexen Zahlen. Dies motiviert komplexwertige neuronale Netze (CVNNs), die alle Operationen im komplexen Bereich ausführen und komplexwertige Eingaben direkt verarbeiten können. Diese Arbeit trägt zur Entwicklung und zum Verständnis dieser Methoden bei. Es werden Bausteine für eine komplexwertige Transformer-Architektur entwickelt und ein neuartiges Initialisierungsschema vorgeschlagen, das die Leistung verbessert. Darüber hinaus werden CVNNs hinsichtlich ihres Entscheidungsprozesses mittels angepasster Erklärungsalgorithmen sowie ihrer adversariellen Robustheit untersucht. Hierfür wird ein neuartiger Angriffsalgorithmus vorgeschlagen, der gezielt Phaseninformationen angreift und zur Analyse von Phasenstörungen auf die Leistung von CVNNs verwendet wird.
Florian Eilers (Wed,) studied this question.