PulseAugur
中
实时 05:46:14
English(EN) Theory-to-Practice Gap for Neural Networks and Neural Operators

新研究量化了神经网络和神经算子的理论到实践的差距

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员分析了使用 ReLU 神经网络和神经算子进行学习的采样复杂度，并根据样本数量推导出了收敛速率的上限。这项工作在 L^p 设置下统一处理了“理论到实践的差距”，改进了现有界限，并将该概念扩展到无限维神经算子学习。研究结果适用于各种神经算子架构，包括深度神经算子网络和傅里叶神经算子，表明收敛速率受 1/p 阶的限制。 AI

影响 为神经网络和神经算子学习的局限性提供了理论见解，可能指导未来的研究和开发。

排序理由 阐述神经网络和神经算子理论发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新研究量化了神经网络和神经算子的理论到实践的差距

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Philipp Grohs, Samuel Lanthaler, Margaret Trautner ·

    神经网络与神经算子从理论到实践的差距

    arXiv:2503.18219v2 Announce Type: replace Abstract: This work studies the sampling complexity of learning with ReLU neural networks and neural operators. For mappings belonging to relevant approximation spaces, we derive upper bounds on the best-possible convergence rate of any l…

相关实体

相关话题