研究人员开发了一种使用前馈神经网络逼近多元 Hölder 连续函数的新方法。该研究确定了在统一范数下实现任意精度所需的最小隐藏神经元数量，证明对于 d>=2 维，具有两个隐藏层的网络可以实现此目标，其宽度分别为 d 和 1。所提出的构造利用了显式的网格寻址和量化函数值的整数编码，实现了与理论下界非常接近的比特复杂度。 AI
影响 这项研究推进了对神经网络逼近复杂数学函数能力的理论理解。
排序理由 学术论文，详细介绍了神经网络逼近的新理论方法。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- arXiv
- exponential function
- feedforward neural network
- floor function
- grid addressing
- Hölder-continuous functions
- Integer Encoding Genetic Algorithm for Optimizing Redundancy Allocation of Series-parallel Systems
- measure-theoretic entropy
- uniform norm
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
