Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains
PulseAugur coverage of Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains — every cluster mentioning Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究详细阐述了多维随机特征法的谱收敛性
研究人员已证明，随机特征法（RFM）在 Sobolev、Gevrey 和超解析等多种正则性类别中，对多维目标的谱收敛性。该分析提供了高概率近似估计，表明单个随机空间可以以谱精度跨多个误差范数近似指定球内的任何目标。收敛速率从超指数到代数不等，具体取决于目标的正则性。此外，该研究为 RFM 离散化建立了抽象误差估计，将近似界转化为多维椭圆边值问题和特征值问题的收敛估计。研究还证明了具有傅立叶特征的随机特征矩阵的超指数奇异值衰减和具有 t…
-
Quantum SEDONet 推进用于 PDE 的神经算子网络
研究人员开发了 Quantum SEDONet，这是在用于求解偏微分方程的量子深度算子网络方面的一项进展。该新模型将傅里叶或切比雪夫特征等光谱基直接嵌入网络的骨干，与问题的边界条件对齐。这种方法在包括反导数、平流、Burgers 方程和泊松问题在内的各种基准测试中显著降低了平均相对误差，同时仅消耗极少的额外量子资源。
-
新的神经表示方法增强了三维重力反演
研究人员开发了一种新颖的无监督方法，用于通过深度感知隐式神经表示进行三维重力反演。该方法使用多个神经网络直接从重力测量数据中优化得到，以表示地下密度体，并结合了基于物理的先验知识，无需标记的密度模型。实验表明，与传统和基线神经网络方法相比，该方法性能更优，能够生成更准确、空间上更连贯的密度重建，尤其在分离邻近异常和保持垂直范围方面表现出色。该方法有望在无法获得真实密度模型的地下成像场景中得到改进。