研究人员为深度神经网络开发了一个新的理论框架,该框架提高了它们在非参数回归任务中的稳定性和准确性。该工作在分裂谱范数乘积约束下建立了深度 ReLU 网络精确逼近理论,证明了平滑的 Hölder 函数可以通过增加网络深度来均匀逼近。提出的惩罚最小二乘估计器在保持均匀有界利普希茨常数的同时实现了最佳非参数速率,提供了对抗扰动的鲁棒性,并且准确性与现有方法相当。 AI
影响 这项研究可能为对输入扰动敏感的应用带来更鲁棒、更准确的深度学习模型。
排序理由 该集群包含一篇详细介绍深度学习理论进展的学术论文。
在 Hugging Face Daily Papers 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- container
- DagsHub
- Gotit.pub
- Hugging Face
- rectifier
- ScienceCast
- adversarial input perturbations
- deep neural network
- Hölder functions
- Least Squares Estimator
- Lipschitz constant
- ReLU networks
- spectral norm
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →