approximation power | BriefGPT

关键词approximation power

搜索结果 - 6

朝着最佳神经网络：样本拆分在超参数选择中的作用
本文针对神经网络在实际应用中的表现提出了一个新理论，通过发现在神经网络模型构建过程中的一个常见做法 —— 样本分裂的奥秘来探究其有效性，该理论表明，从样本分裂中得出的最佳超参数能够使神经网络模型渐近地最小化预测风险。我们在不同的应用场景和网
PDFa year ago
ICLR浅层 ReLU 网络中最小稳定性的隐含偏差
本文探讨使用随机梯度下降法训练具有 ReLU 网络的单隐藏层多元网络应用于二次损失下所得到解的性质，得到其 Laplacian 的类似结果。结果表明，当步长增大时，网络映射函数二阶导数有界性的界限变小，即使用更大的步长会导致更平稳的预测器，
PDFa year ago
使用深层 ReLU 网络近似非线性泛函
本文研究了与 ReLU 激活函数相关的功能深度神经网络的逼近能力，并在简单三角剖分下构建了连续分段线性插值。此外，还建立了所提出的功能深度 ReLU 网络的逼近速率，并在温和的正则条件下进行了分析，最终探究了功能数据学习算法的理解。
PDFa year ago
多项式时间的无界强化学习：静态策略的威力
本文提出了第一个针对有限 MDP 多项式时间算法，具有独立于计划时间的后悔范围，并通过一系列的新结构引理，建立了稳定性和专注性，提高了 MDP 的近似能力和性能。
PDF2 years ago
关于旋转等变点云网络的普适性
研究点云上函数学习的神经网络结构具有形状不变性，首先推导出两个充分条件以获得普适逼近性能，在此基础上设计了两个新的普适网络结构。
PDF4 years ago
非线性逼近和（深层）ReLU 网络
该论文研究了深度神经网络的近似和表达能力，证明了神经网络在目标应用中比传统的非线性近似方法具有更强的近似能力，其中逼近单变量函数的 ReLU 神经网络是研究的重点，然而，尚缺乏一种完全定量化神经网络近似能力的理论。
PDF5 years ago