研究人员开发了一种新颖的方法，使用神经网络来学习和优化函数空间的标准正交基。与傅里叶或小波等固定基不同，这种方法允许基适应特定的数据集或问题。该技术将标准正交基建模为李流形上的路径，由参数化的神经网络驱动的常微分方程驱动。研究表明，即使使用低秩生成器，这些由神经网络定义的路径也可以近似任何目标标准正交基，在主成分分析和物理模拟等应用中显示出灵活性。 AI
影响 引入了一种用于函数空间自适应基表示的灵活方法，有可能提高数据分析和科学模拟的性能。
排序理由 该集群包含一篇详细介绍使用神经网络学习标准正交基的新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
Infinite-dimensional orthonormal basis expansions play a central role in representing and computing with function spaces due to their favorable linear algebraic properties. However, common bases such as Fourier or wavelets are fixed and do not adapt to the structure of a given pr…
Infinite-dimensional orthonormal basis expansions play a central role in representing and computing with function spaces due to their favorable linear algebraic properties. However, common bases such as Fourier or wavelets are fixed and do not adapt to the structure of a given pr…