PulseAugur
中
实时 23:53:23
English(EN) Relocation of compact sets in $\mathbb{R}^n$ by diffeomorphisms and linear separability of datasets in $\mathbb{R}^n$

新理论表明紧凑型数据集可通过深度神经网络实现线性可分

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种理论，用于通过微分同胚将 $\mathbb{R}^n$ 中的紧集重定位到任意目标域。这项工作表明，此类集合可以嵌入到 $\mathbb{R}^{n+1}$ 中以实现线性可分性。这些发现被应用于证明，在特定条件下，$\mathbb{R}^n$ 中的有限数据集可以通过具有特定激活函数的深度神经网络实现线性可分。 AI

影响 为使用深度神经网络使数据集线性可分提供了理论基础，有可能提高分类准确性。

排序理由 这是一篇发表在 arXiv 上的研究论文，详细介绍了数据分类和深度神经网络方面的理论进展。

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 →

新理论表明紧凑型数据集可通过深度神经网络实现线性可分

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Qi Zhou ·

    微分同胚映射在 $\mathbb{R}^n$ 中的紧集迁移与 $\mathbb{R}^n$ 数据集的线性可分性

    Relocation of compact sets in an $n$-dimensional manifold by self-diffeomorphism is of its own interest as well as significant potential applications to data classification in data science. This paper presents a theory for relocating a finite number of compact sets in $\mathbb{R}…

相关实体

相关话题