一篇新的研究论文在通用逼近定理的基础上，探讨了神经网络中的函数等价性概念。研究表明，多种神经网络配置可以实现相同的函数输出，同时拥有不同的几何特性。这种几何多样性通过分析成本函数的Hessian矩阵和参数空间的有效秩来表征，表明许多函数等价的网络存在显著的结构冗余和低有效秩。研究人员提出了一种基于简约性和估计效率的模型选择标准，以识别最优模型。 AI
影响 这项研究可能有助于更有效地进行模型选择和理解神经网络的冗余性。
排序理由 该集群包含一篇详细阐述神经网络特性的实证表征的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.18930v1 Announce Type: cross Abstract: The Universal Approximation Theorem states that a neural network with a single hidden layer is sufficient to approximate any continuous univariate function on a compact domain to arbitrary error. However, the uniqueness of such ne…
The Universal Approximation Theorem states that a neural network with a single hidden layer is sufficient to approximate any continuous univariate function on a compact domain to arbitrary error. However, the uniqueness of such neural network representations is not guaranteed, ra…