Approximation of Classifiers by Deep Perceptron Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F23%3A00572576" target="_blank" >RIV/67985807:_____/23:00572576 - isvavai.cz</a>

Výsledek na webu

<a href="https://dx.doi.org/10.1016/j.neunet.2023.06.004" target="_blank" >https://dx.doi.org/10.1016/j.neunet.2023.06.004</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.neunet.2023.06.004" target="_blank" >10.1016/j.neunet.2023.06.004</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Approximation of Classifiers by Deep Perceptron Networks

Popis výsledku v původním jazyce

We employ properties of high-dimensional geometry to obtain some insights into capabilities of deep perceptron networks to classify large data sets. We derive conditions on network depths, types of activation functions, and numbers of parameters that imply that approximation errors behave almost deterministically. We illustrate general results by concrete cases of popular activation functions: Heaviside, ramp sigmoid, rectified linear, and rectified power. Our probabilistic bounds on approximation errors are derived using concentration of measure type inequalities (method of bounded differences) and concepts from statistical learning theory.

Název v anglickém jazyce

Approximation of Classifiers by Deep Perceptron Networks

Popis výsledku anglicky

We employ properties of high-dimensional geometry to obtain some insights into capabilities of deep perceptron networks to classify large data sets. We derive conditions on network depths, types of activation functions, and numbers of parameters that imply that approximation errors behave almost deterministically. We illustrate general results by concrete cases of popular activation functions: Heaviside, ramp sigmoid, rectified linear, and rectified power. Our probabilistic bounds on approximation errors are derived using concentration of measure type inequalities (method of bounded differences) and concepts from statistical learning theory.

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/GA22-02067S" target="_blank" >GA22-02067S: AppNeCo: Aproximativní neurovýpočty</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

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

1879-2782

Svazek periodika

165

Číslo periodika v rámci svazku

August 2023

Stát vydavatele periodika

GB - Spojené království Velké Británie a Severního Irska

Počet stran výsledku

8

Strana od-do

654-661

Kód UT WoS článku

001058145100001

EID výsledku v databázi Scopus

2-s2.0-85163371420