Probabilistic Lower Bounds for Approximation by Shallow Perceptron Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00473964" target="_blank" >RIV/67985807:_____/17:00473964 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1016/j.neunet.2017.04.003" target="_blank" >http://dx.doi.org/10.1016/j.neunet.2017.04.003</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.neunet.2017.04.003" target="_blank" >10.1016/j.neunet.2017.04.003</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Probabilistic Lower Bounds for Approximation by Shallow Perceptron Networks

Popis výsledku v původním jazyce

Limitations of approximation capabilities of shallow perceptron networks are investigated. Lower bounds on approximation errors are derived for binary-valued functions on finite domains. It is proven that unless the number of network units is sufficiently large (larger than any polynomial of the logarithm of the size of the domain) a good approximation cannot be achieved for almost any uniformly randomly chosen function on a given domain. The results are obtained by combining probabilistic Chernoff-Hoeffing bounds with estimates of the sizes of sets of functions exactly computable by shallow networks with increasing numbers of units.

Název v anglickém jazyce

Probabilistic Lower Bounds for Approximation by Shallow Perceptron Networks

Popis výsledku anglicky

Limitations of approximation capabilities of shallow perceptron networks are investigated. Lower bounds on approximation errors are derived for binary-valued functions on finite domains. It is proven that unless the number of network units is sufficiently large (larger than any polynomial of the logarithm of the size of the domain) a good approximation cannot be achieved for almost any uniformly randomly chosen function on a given domain. The results are obtained by combining probabilistic Chernoff-Hoeffing bounds with estimates of the sizes of sets of functions exactly computable by shallow networks with increasing numbers of units.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

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

Název periodika

Neural Networks

ISSN

0893-6080

e-ISSN

—

Svazek periodika

91

Číslo periodika v rámci svazku

July

Stát vydavatele periodika

GB - Spojené království Velké Británie a Severního Irska

Počet stran výsledku

8

Strana od-do

34-41

Kód UT WoS článku

000405461500004

EID výsledku v databázi Scopus

2-s2.0-85018794584