Barron spaces
PulseAugur coverage of Barron spaces — every cluster mentioning Barron spaces across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
New Metaplectic Neural Networks Show Promise for Schrödinger Equation Approximation
研究人员开发了一种利用基于元辛运算符的字典的新型浅层神经网络。这种方法通过引入元辛变换（一种受辛几何启发的傅里叶变换扩展）来扩展Barron空间的概念。该研究建立了这些元辛Barron空间与Sobolev空间之间的嵌入关系，并使用字典原子证明了元辛Barron函数的蒙特卡洛近似界限。基于这些字典原子构建的深度神经网络架构经过测试，在近似求解时间相关薛定谔方程方面，与传统的物理信息神经网络相比，表现出了优越的性能。
-
新型神经网络架构改进函数逼近
研究人员开发了一种利用元辛群算子（metaplectic operators）的新型神经网络，扩展了Barron空间的概念。这种被称为神经元辛群字典（neural metaplectic dictionaries）的方法可以更有效地逼近函数，尤其是在求解时间相关的薛定谔方程方面。在新架构的应用中，其性能优于现有的物理信息神经网络。
-
Barron 空间赋能神经网络逼近高维偏微分方程
研究人员开发了一种使用 Barron 空间逼近高维二阶椭圆偏微分方程（PDE）解的方法。该方法表明，这类解可以通过两层神经网络逼近，其宽度和参数受限于依赖于维度和所需精度对数的项。这一发现确定了一类可以由浅层神经网络解决的椭圆偏微分方程，而不会遭受维度灾难。
-
新理论使用最优输运分析LLM推理极限
研究人员开发了一个理论框架，使用最优输运来分析大型语言模型（LLM）的推理和分布外泛化能力。他们的方法用Wasserstein-1距离量化域偏移，并确定了两个关键限制：依赖位置的注意力机制阻碍了移位不变性，而Transformer中的顺序回溯对电路深度施加了下限。在组合搜索任务上的评估证实，泛化风险随域偏移的增加而增加，凸显了物理层深度缩放的必要性。