关键词universal approximators
搜索结果 - 9
- 深度神经网络的采样权重
我们引入了一种概率分布和高效的采样算法来处理神经网络中的权重和偏差参数,通过玩具模型和实际数据集的实验,证明了我们构造的采样网络是普适逼近器,并且采样框架对于输入数据的缩放和旋转是不变的,这意味着许多流行的预处理技术不再需要。
- 一个转移原理:从欧几里得通用逼近器到度量空间通用逼近器
本文提出了一种使用 Euclidean 空间作为基石建造弥合任意 Polish 度量空间之间连续映射的通用逼近方法,其中涉及到了离散概率、H"older-like (map) 以及深度学习 (transformer network) 等关键 - 神经最优传输
该研究介绍了一种基于神经网络的算法,用于计算强和弱输运成本的最优输运图和计划,并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。
- 量子增强特征空间中量子机器学习模型的普适逼近特性
本文证明典型情况下,基于量子增强特征空间的机器学习模型是连续函数的通用逼近器,从理论角度探究了量子特征映射的表达能力与在分类不相交区域方面的功能。
- 基于耦合的可逆神经网络是通用的微分同胚逼近器
本研究证明了基于耦合流的可逆神经网络是普遍逼近器,可以应用于正则化流模型,并展示了一种方法来证明特定微分同构类的逼近器的等效性。
- 学习对称元素集
本文针对元素之间具有对称性的集合,提出了一种基于 Deep Sets for Symmetric Elements (DSS) 层的学习方法,证明了其在图像、图表、点云等多个领域的有效性,并且是 Siamese 网络的有效改进。
- ICLR深度窄玻尔兹曼机是普适逼近器
该研究表明,深窄玻尔兹曼机是可视单元活动上概率分布的普适逼近器,如果它们有足够多的隐藏层,每个层次含有与可见层相同数量的单元。该研究提供了普适逼近器所需的深度和宽度的上下界,并且解决了有关无向网络的各种直觉问题,并且特别表明,与狭窄的 S - 条件受限玻尔兹曼机的几何与表现力
本研究讨论了有关有向随机神经网络中条件概率分布的表示能力,证明了其可以用于表示条件马尔可夫随机场和带有限制支持的条件分布,研究了通用逼近器的最小尺寸、最大模型逼近误差以及可表示的条件分布集合的维数等等。我们贡献了新的工具,改进了现有有关有限 - 深度信念网络和受限玻尔兹曼机的通用逼近结果的改进
本文提出了一种新的算法改善了 Restricted Boltzmann Machines (RBM) 和 Deep Belief Networks (DBN) 在集合二进制向量的分布表示方面的问题,证明了一个由 Le Roux 和 Beng