研究人员推出了一种新颖的、用于高效函数逼近的架构——浅层通用多项式网络（SUPN）。与通常需要显著深度和宽度的深度神经网络（DNN）和Kolmogorov-Arnold网络（KAN）不同，SUPN仅包含一个隐藏层。通过在激活函数中集成一个可学习的多变量多项式，这种设计增强了每个单元的表达能力，从而在保持浅层计算图的同时，减少了参数数量和训练成本。研究表明，通过增加宽度或多项式复杂度，SUPN可以实现通用逼近，并通过明确的参数推导和收敛速率证明了其逼近最优解的能力。对超过16,000个训练模型的实证评估显示，在可比的参数数量下，SUPN在逼近误差和变异性方面经常优于DNN和KAN，支持了它们在目标结构未知时用于高效函数逼近的效用。 AI
影响 这种新架构可能带来更高效、训练成本更低、泛化误差变异性更小的AI模型。
排序理由 介绍新模型架构的学术论文。[lever_c_research降级：ic=1 ai=1.0]
- arXiv
- Deep Neural Networks
- Kolmogorov-Arnold Networks
- Shallow Universal Polynomial Networks
- Zachary Morrow
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
