Measure theoretic results for approximation by neural networks with limited weights

Autor:	Ismailov, Vugar, Savas, Ekrem
Rok vydání:	2023
Předmět:	Computer Science - Machine Learning Mathematics - Functional Analysis 41A30 41A63 92B20
Zdroj:	Numer. Funct. Anal. Optim. 38 (2017), no. 7, 819--830
Druh dokumentu:	Working Paper
DOI:	10.1080/01630563.2016.1254654
Popis:	In this paper, we study approximation properties of single hidden layer neural networks with weights varying on finitely many directions and thresholds from an open interval. We obtain a necessary and at the same time sufficient measure theoretic condition for density of such networks in the space of continuous functions. Further, we prove a density result for neural networks with a specifically constructed activation function and a fixed number of neurons. Comment: 12 pages
Databáze:	arXiv
Externí odkaz:	http://arxiv.org/abs/2304.01880 Zobrazit plný text záznamu Plný text ve formátu PDF Plný text ve formátu HTML
Nepřihlášeným uživatelům se plný text nezobrazuje	K zobrazení výsledku je třeba se přihlásit.