在多尺度方程的物理信息学习中发现新的公式差距

研究人员在非线性多尺度椭圆方程的物理信息学习中发现了一个统计公式差距。他们证明了一个变分神经网络求解器的有限样本误差界限，表明稳定、采样和优化常数与尺度 $\epsilon$ 无关。然而，经验 Rademacher 复杂度与强残差和平方强残差损失分别与 $\epsilon\sqrt{N}$ 和 $\epsilon^2\sqrt{N}$ 成反比，表明存在统计病态。虽然变分公式可以缓解这种统计惩罚，但多尺度近似问题仍然存在。 AI

影响 识别出物理信息学习中的一个理论局限性，可能指导未来在更鲁棒的多尺度建模方面的研究。

排序理由 该集群包含一篇学术论文，详细介绍了机器学习特定领域中的理论公式差距。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• cs.LG
• DagsHub
• Gotit.pub
• Hugging Face
• Influence Flower
• numerical analysis
• ScienceCast

• 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 →