新理论解释了神经网络在无限维空间中的近似

研究人员开发了一个新的理论框架，用于理解浅层神经网络如何使用有限数量的输入坐标来逼近无限维空间中的函数。该分析基于参数归一化的神经字典，将近似误差分解为与坐标截断和贪婪有限宽度近似相关的项。这种方法为经验回归提供了统计保证，这些保证独立于保留的输入分辨率，并且可以扩展到希尔伯特值响应，而无需显式依赖于输出维度。 AI

影响 为理解神经网络在复杂、高维数据场景中的能力提供了理论基础。

排序理由 详细介绍神经网络新理论框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• Bibliographic Explorer
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• cs.LG
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations

• 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 →