研究人员已经确定了两层输入凸神经网络 (ICNN) 的 $L_p$-Lipschitz 常数计算的参数化复杂性。该问题等价于在区域体上最大化 $L_p$-范数。研究证明,对于介于 1 和无穷大之间的固定有理数 $p$,相对于维度 $d$,该最大化问题是 W[1]-难的。这些发现解决了 COLT'25 中的一个开放性问题,并表明在指数时间假设下,暴力枚举算法几乎是最优的。 AI
影响 为特定类别的神经网络分析建立了理论硬度限制,可能指导未来在高效计算方面的研究。
排序理由 该集群包含一篇学术论文,详细介绍了神经网络的理论计算复杂性结果。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- arXiv
- COLT'25
- ICNNs
- Input-convex neural networks
- alphaXiv
- CatalyzeX Code Finder for Papers
- DagsHub
- Gotit.pub
- Hugging Face
- Lp-Lipschitz constants
- Lp-norm maximization
- rectifier
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →