Complexity of Shallow Networks Representing Finite Mappings
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F15%3A00443724" target="_blank" >RIV/67985807:_____/15:00443724 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-19324-3_4" target="_blank" >http://dx.doi.org/10.1007/978-3-319-19324-3_4</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-19324-3_4" target="_blank" >10.1007/978-3-319-19324-3_4</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Complexity of Shallow Networks Representing Finite Mappings
Popis výsledku v původním jazyce
Complexity of shallow (one-hidden-layer) networks representing finite multivariate mappings is investigated. Lower bounds are derived on growth of numbers of network units and sizes of output weights in terms of variational norms of mappings to be represented. Probability distributions of mappings whose computations require large networks are described. It is shown that due to geometrical properties of highdimensional Euclidean spaces, representation of almost any randomly chosen function on a sufficiently large domain by a shallow network with perceptrons requires untractably large network. Concrete examples of such functions are constructed using Hadamard matrices.
Název v anglickém jazyce
Complexity of Shallow Networks Representing Finite Mappings
Popis výsledku anglicky
Complexity of shallow (one-hidden-layer) networks representing finite multivariate mappings is investigated. Lower bounds are derived on growth of numbers of network units and sizes of output weights in terms of variational norms of mappings to be represented. Probability distributions of mappings whose computations require large networks are described. It is shown that due to geometrical properties of highdimensional Euclidean spaces, representation of almost any randomly chosen function on a sufficiently large domain by a shallow network with perceptrons requires untractably large network. Concrete examples of such functions are constructed using Hadamard matrices.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2015
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Artificial Intelligence and Soft Computing
ISBN
978-3-319-19323-6
ISSN
0302-9743
e-ISSN
—
Počet stran výsledku
10
Strana od-do
39-48
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Zakopane
Datum konání akce
12. 6. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000364537800004