English(EN) Polynomial Learning of Positive ReLU Networks under Gaussian Inputs

高斯输入下学习正ReLU网络的新算法

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-21 04:00

研究人员开发了用于学习正ReLU网络的多元时间算法，特别解决了标准高斯输入的情况。这些算法实现了多元样本和实数算术复杂度，而无需对隐藏方向进行分离或条件假设。该工作结合了隐式Hermite矩、正交张量-链压缩和一个方向解码器，以限制返回远离任何原子的方向的概率。这项研究还建立了投影方向恢复和置信度放大，其样本复杂度与失败概率倒数的对数成正比。 AI

影响推进了对神经网络学习能力的理论理解。

排序理由关于理论机器学习主题的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于理论机器学习主题的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 2 days old; Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zhijie Zheng · 2026-10-21 04:00

高斯输入下正ReLU网络的多元学习

arXiv:2610.25116v2 Announce Type: replace Abstract: We study positive, bias-free, one-hidden-layer ReLU networks under standard Gaussian inputs. We obtain algorithms with polynomial sample and real-arithmetic complexity, without separation or conditioning assumptions on the hidde…

本文如何被排名

报道来源 [1]

高斯输入下正ReLU网络的多元学习

相关实体

相关话题