包括神经网络在内的随机特征模型实现通用逼近

研究人员引入了一个新的随机特征学习框架，并将其扩展到Banach空间。该方法通过在特征图随机初始化后仅训练线性读出，从而显著降低了计算复杂度。该研究证明了在相应的Bochner空间内的通用逼近结果，并推导了逼近率，为学习Banach空间中的元素提供了一种显式算法。该框架包括随机三角回归和随机神经网络，将其通用逼近性质扩展到各种函数空间，包括非紧域上的函数空间。 AI

影响 扩展了对随机神经网络及其逼近能力的理论理解。

排序理由 这是一篇研究论文，详细介绍了一种用于随机特征模型和随机神经网络的新理论框架和算法。

在 arXiv stat.ML 阅读 →

• arXiv
• Banach space
• Bochner space
• Fourier regression
• function spaces
• L^p-spaces
• Philipp Schmocker
• random feature learning
• Sobolev spaces
• weighted spaces
• random neural networks

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →