Lipschitz constant
PulseAugur coverage of Lipschitz constant — every cluster mentioning Lipschitz constant across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新理论提高了深度神经网络的稳定性和准确性
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。
-
关于样条 KANs 的新理论解决了近似-稳定性张力
本文介绍了一种在严格的逐层 Lipschitz 预算内近似深度样条叠加网络的新方法。它定义了两个关键量:因子稳定性复杂度和预算兼容近似复杂度。该研究为有限深度对角线平衡问题提供了精确解,并提出了一个保持预算且具有受控松弛的构造性样条离散化定理。此外,它还建立了线性样条值算子的 minimax 下界,并证明了层误差在组合下不一定会抵消。
-
新研究探索多智能体和对决设置中的Lipschitz土匪
两篇新研究论文探讨了复杂场景下的高级土匪算法。第一篇论文解决了连续动作空间中Lipschitz常数未知的合作多智能体土匪问题,提出了一种估计该常数并使用离散化方法来实现遗憾保证的算法。第二篇论文介绍了第一个具有Lipschitz结构的连续动作空间随机对决土匪算法,侧重于比较反馈并实现对数空间复杂度。
-
新的图信号流模型提供了增强的稳定性
研究人员分析了用于图信号生成的连续归一化流模型,证明了在连续时间常微分方程及其离散近似中都保持了排列等变性。该研究推导了显式的稳定性界限,以量化结构扰动如何影响采样信号。为了增强鲁棒性,引入了一种促进稳定性的正则化流匹配策略,该策略在训练期间会惩罚向量场的空间 Lipschitz 常数。