Probabilistic Bounds for Approximation by Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F19%3A00507969" target="_blank" >RIV/67985807:_____/19:00507969 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-30487-4_33" target="_blank" >http://dx.doi.org/10.1007/978-3-030-30487-4_33</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-30487-4_33" target="_blank" >10.1007/978-3-030-30487-4_33</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Probabilistic Bounds for Approximation by Neural Networks

Popis výsledku v původním jazyce

A probabilistic model describing relevance of tasks to be computed by a class of feedforward networks is studied. Bounds on correlations of network input-output functions with almost all randomly-chosen functions are derived. Impact of sizes of function domains on correlations are analyzed from the point of view of the concentration of measure phenomenon. It is shown that on large domains, errors of approximation of randomly chosen functions by fixed input-output functions are almost deterministic.

Název v anglickém jazyce

Probabilistic Bounds for Approximation by Neural Networks

Popis výsledku anglicky

A probabilistic model describing relevance of tasks to be computed by a class of feedforward networks is studied. Bounds on correlations of network input-output functions with almost all randomly-chosen functions are derived. Impact of sizes of function domains on correlations are analyzed from the point of view of the concentration of measure phenomenon. It is shown that on large domains, errors of approximation of randomly chosen functions by fixed input-output functions are almost deterministic.

Druh

D - Stať ve sborníku

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/GA19-05704S" target="_blank" >GA19-05704S: FoNeCo: Analytické základy neurovýpočtů</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Název statě ve sborníku

Artificial Neural Networks and Machine Learning – ICANN 2019: Theoretical Neural Computation. Proceedings, Part I

ISBN

978-3-030-30486-7

ISSN

0302-9743

e-ISSN

—

Počet stran výsledku

11

Strana od-do

418-428

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Munich

Datum konání akce

17. 9. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—