新定理推进了编码器-解码器神经网络的算子逼近

研究人员开发了一种专门针对编码器-解码器神经网络架构的新型通用算子逼近定理。该定理通过考虑更广泛的输入和输出空间（包括无限维范数或度量空间）来扩展现有工作。一项关键贡献是证明了逼近架构序列可以独立于紧集选择，这一性质在大多数相关的算子学习框架中都得到了严格加强。该框架兼容 DeepONets、BasisONets 和 MIONets 等各种架构，并特别包含了概率测度的 $p$-Wasserstein 空间和 càdlàg 函数的 Skorohod 空间作为潜在的输入或输出空间，为最优传输等应用开辟了道路。 AI

影响 推进了对神经网络逼近复杂数学算子能力的理论理解。

排序理由 该集群包含一篇在 arXiv 上发表的详细介绍新数学定理的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• BasisONets
• DeepONets
• Janek Gödeke
• MIONets
• p-Wasserstein spaces
• Skorohod spaces

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →