本文介绍了一种在严格的逐层 Lipschitz 预算内近似深度样条叠加网络的新方法。它定义了两个关键量:因子稳定性复杂度和预算兼容近似复杂度。该研究为有限深度对角线平衡问题提供了精确解,并提出了一个保持预算且具有受控松弛的构造性样条离散化定理。此外,它还建立了线性样条值算子的 minimax 下界,并证明了层误差在组合下不一定会抵消。 AI
影响 引入了理论框架,用于在计算约束下提高深度样条网络的稳定性和近似能力。
排序理由 该项目是一篇学术论文,详细介绍了样条 KANs 的理论进展。[lever_c_demoted from research: ic=1 ai=1.0]
- budget-compatible approximation complexity
- derivative norms
- envelope matrices
- factorisation stability complexity
- linear spline-valued operators
- Lipschitz budget
- Lipschitz constant
- spline discretisation theorem
- Spline KANs
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →