关键词approximation capabilities
搜索结果 - 6
- 梯度网络
本文介绍了梯度网络（GradNets）：一种参数化各类函数梯度的新型神经网络架构，通过增加特定约束确保与梯度函数的对应性。我们提供了一个全面的 GradNet 设计框架，包括将 GradNets 转化为保证表示凸函数梯度的单调梯度网络（mG - 深度逼近空间的抽样复杂性
基于信息复杂性工具，本研究扩展了先前工作，证明了存在可以用带有 ReLU 激活函数的神经网络进行任意速率逼近的函数，但其数值计算需要指数级增长的样本数量，并展示了对于 ReQU 激活函数类似的结果。
- 傅立叶 - 勒贝格空间中浅层神经网络的时空近似
浅层神经网络（SNNs）的逼近能力是理解深度神经网络（DNNs）性质的重要部分。本论文将谱巴伦空间的概念扩展到各向异性加权傅立叶 - 勒贝格空间，以便解决部分微分方程解的近似问题，并在 Bochner-Sobolev 范数中建立了逼近率的界 - 神经积分方程的频谱方法
神经积分方程是基于积分方程理论的深度学习模型，该模型由积分算子和相应的方程（第二类）组成，通过优化过程学习。本文介绍了一种基于谱方法的神经积分方程框架，可以在谱域中学习运算符，从而降低计算成本，并具有高插值精度。我们研究了该方法的性质，并展 - 非对称网络近似跨域学习
本研究提出了一种基于非对称核的泛化途径来研究基于核的网络的逼近能力，使用了一系列核并得出了与输入空间维度相比具有较小光滑度的函数逼近结果。
- 关于狭窄深度神经网络的决策区域
研究发现，当神经网络的宽度小于或等于输入维度时，决策区域的所有联通组件都是无界的。本文还对此进行了数值实验，并补充了最近对这种狭窄神经网络逼近能力和决策区域连通性的研究成果。