畳み込みニューラルネットワーク（CNN）の性能向上に向けて、研究者たちは継続的に新しいネットワークアーキテクチャを開発しています。しかし、現在発明されているほとんどの新しいアーキテクチャは、畳み込みブロックを積み重ねてポイントワイズ活性化関数で分離するという伝統的なパターンに依存しています。このようなポイントワイズ非線形性だけで構成されたネットワークには、構造的な制限があります。 これに対して、別のアプローチとして、ネットワーク内の2つのフィルター間にペアワイズ接続を導入する方法が考えられます。従来のペアワイズ接続関数では、乗算または最小値演算を用いて論理AND接続を実現していました。本研究では、より汎用的な接続パターンを導入し、学習可能なパラメータを含む接続関数を提案しています。 この学習可能なパラメータを持つ接続関数により、ネットワークはネットワークの異なる層で異なる接続を実装できるようになります。つまり、同じ接続方式ではなく、各層において接続関数をタスクに応じて最適に適応させることが可能になるのです。この柔軟性により、CNNはより複雑なパターン認識を実現でき、全体的な精度向上が期待されます。