Dimension Independent Approximation by Neural Networks: How Can we Cope With the Curse of Dimensionality?

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F00%3A06010168" target="_blank" >RIV/67985807:_____/00:06010168 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
Dimension Independent Approximation by Neural Networks: How Can we Cope With the Curse of Dimensionality?
Popis výsledku v původním jazyce
In this paper we study feedforward neural networks as nonlinear approximation schemes computing parametrized sets of variable-basis functions. We show that under suitable constraints on the functions be approximated and on the type of hidden units approximation by such networks does not exhibit the curse of dimensionality.
Název v anglickém jazyce
Dimension Independent Approximation by Neural Networks: How Can we Cope With the Curse of Dimensionality?
Popis výsledku anglicky
In this paper we study feedforward neural networks as nonlinear approximation schemes computing parametrized sets of variable-basis functions. We show that under suitable constraints on the functions be approximated and on the type of hidden units approximation by such networks does not exhibit the curse of dimensionality.

Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění
2000
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Podobné výsledky(10)