我正在阅读Hinton的新论文“胶囊之间的动态路由”，但没有抽象地理解术语“活动向量”。
胶囊是一组神经元，其活动矢量代表特定类型的实体（例如对象或对象部分）的实例化参数。我们使用活动矢量的长度来表示实体存在的概率，并使用其方向来表示实例化参数。一级的活动胶囊通过转换矩阵对高层胶囊的实例化参数进行预测。当多个预测结果一致时，更高级别的胶囊就会生效。我们表明，经过判别训练的多层胶囊系统在MNIST上达到了最先进的性能，并且在识别高度重叠的数字方面比卷积网络要好得多。为了获得这些结果，我们使用了一种按协议迭代路由的机制：
https://arxiv.org/pdf/1710.09829.pdf
我认为向量就像是您通过网络运行的数据数组。
我开始学习安德鲁·伍（Andrew Ng）的深度学习课程，但它是全新的，术语令我头疼。
Answers:
在传统的神经网络中，网络顶点是神经元，单个神经元的输出是单个值（“ 标量 ”）。此数字称为激活。阿层网络中的神经元的输出激活的向量。我们不应将其与胶囊网络中的活性载体混淆。
胶囊网络是不同的，因为网络顶点是胶囊而不是神经元。它们是高维的：胶囊的输出不是标量，而是代表与输入有关的一组参数的向量。因此，名称激活向量。
动机
在神经网络中，神经元的标量输出之间没有固有的结构，这是以下各层必须学习的内容。在胶囊网络中，胶囊的输出在一个矢量中代表与该参数相关的所有参数，包括对更深层胶囊激活的预测。这增加了有用的局部结构。
例如，考虑面部识别。如果您的胶囊知道如何识别眼睛，则可以输出表示“ 例如，由于我已经以p = 0.97的概率识别到眼睛位置（x，y），我预计整个面部的参数将为（f1， ... fn） “。
如“胶囊之间的动态路由”论文中所述，您引用此信息的方式是，较早的层（部分：眼睛，嘴巴，鼻子）中的胶囊可预测更深层（面部）的激活。例如，只有在眼睛，鼻子和嘴巴识别器（各部分）与面部识别器（整体）关于面部位置（[f1，... fn ）参数）。
历史灵感
较旧的计算机视觉算法（如SIFT）以类似的方式工作，其中识别基于多维特征（关键点）的配置与参考配置之间的一致。