Deep Neural Network Approximation Theory

This paper develops fundamental limits of deep neural network learning by characterizing what is possible if no constraints are imposed on the learning algorithm and on the amount of training data. Concretely, we consider Kolmogorov-optimal approximation through deep neural networks with the guiding...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on information theory Ročník 67; číslo 5; s. 2581 - 2623
Hlavní autoři:	Elbrachter, Dennis, Perekrestenko, Dmytro, Grohs, Philipp, Bolcskei, Helmut
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York IEEE 01.05.2021 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Algorithms Approximation Approximation error Artificial neural networks Complexity Complexity theory Dictionaries Function approximation Function space Functions (mathematics) Machine learning Mathematical analysis metric entropy Multiplication Network topologies Neural networks nonlinear approximation Polynomials rate-distortion theory Training data Two dimensional displays
ISSN:	0018-9448, 1557-9654
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!