研究人员开发了一种新颖的方法，通过基于误差估计调整深度来适应神经网络架构。该方法将神经网络训练视为一个最优控制问题，能够进行严格的误差估计，精确指出网络层中近似误差最高的位置。通过在这些关键点插入新层，网络可以更有效地学习数据的复杂变化。该方法利用有限元分析中的双重加权残差方法，为函数误差提供可计算的上限，在包括纳维-斯托克斯方程在内的科学数据集上的泛化性能优于现有适应技术。 AI
影响 这项研究为优化神经网络深度提供了一种原则性的方法，有望为复杂科学问题带来更高效、更准确的模型。
排序理由 该集群包含一篇学术论文，详细介绍了神经网络架构适应的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- An optimal control approach for neural network architecture adaptation with a posteriori error estimation
- arXiv
- Chandradath Girija Krishnanunni
- dual weighted residual methodology
- finite element analysis
- Navier–Stokes equations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
