Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Neural persistence: A complexity measure for deep neural networks using algebraic topology

Autor: Bastian Rieck, Togninalli, M., Bock, C., Moor, M., Horn, M., Gumbsch, T., Borwardt, K.

Publikováno v: Scopus-Elsevier
International Conference on Learning Representations (ICLR) 2019
International Conference on Learning Representations (ICLR 2019)

While many approaches to make neural networks more fathomable have been proposed, they are restricted to interrogating the network with input data. Measures for characterizing and monitoring structural properties, however, have not been developed. In

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::641931b8dc2c22e18732ca10fb02a355
http://www.scopus.com/inward/record.url?eid=2-s2.0-85083952023&partnerID=MN8TOARS