Multivariable Approximation by Convolutional Kernel Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F16%3A00462912" target="_blank" >RIV/67985807:_____/16:00462912 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-1649/118.pdf" target="_blank" >http://ceur-ws.org/Vol-1649/118.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Multivariable Approximation by Convolutional Kernel Networks

Popis výsledku v původním jazyce

Computational units induced by convolutional kernels together with biologically inspired perceptrons belong to the most widespread types of units used in neurocomputing. Radial convolutional kernels with varying widths form RBF (radial-basis-function) networks and these kernels with fixed widths are used in the SVM (support vector machine) algorithm. We investigate suitability of various convolutional kernel units for function approximation. We show that properties of Fourier transforms of convolutional kernels determine whether sets of input-output functions of networks with kernel units are large enough to be universal approximators. We compare these properties with conditions guaranteeing positive semidefinitness of convolutional kernels.

Název v anglickém jazyce

Multivariable Approximation by Convolutional Kernel Networks

Popis výsledku anglicky

Computational units induced by convolutional kernels together with biologically inspired perceptrons belong to the most widespread types of units used in neurocomputing. Radial convolutional kernels with varying widths form RBF (radial-basis-function) networks and these kernels with fixed widths are used in the SVM (support vector machine) algorithm. We investigate suitability of various convolutional kernel units for function approximation. We show that properties of Fourier transforms of convolutional kernels determine whether sets of input-output functions of networks with kernel units are large enough to be universal approximators. We compare these properties with conditions guaranteeing positive semidefinitness of convolutional kernels.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

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

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings ITAT 2016: Information Technologies - Applications and Theory

ISBN

978-1-5370-1674-0

ISSN

1613-0073

e-ISSN

—

Počet stran výsledku

5

Strana od-do

118-122

Název nakladatele

Technical University & CreateSpace Independent Publishing Platform

Místo vydání

Aachen & Charleston

Místo konání akce

Tatranské Matliare

Datum konání akce

15. 9. 2016

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—