Počet záznamů: 1
Probabilistic Bounds for Approximation by Neural Networks
- 1.
SYSNO ASEP 0507969 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název Probabilistic Bounds for Approximation by Neural Networks Tvůrce(i) Kůrková, Věra (UIVT-O) RID, SAI, ORCID Zdroj.dok. Artificial Neural Networks and Machine Learning – ICANN 2019: Theoretical Neural Computation. Proceedings, Part I. - Cham : Springer, 2019 / Tetko I. V. ; Kůrková V. ; Karpov P. ; Theis F. - ISSN 0302-9743 - ISBN 978-3-030-30486-7 Rozsah stran s. 418-428 Poč.str. 11 s. Forma vydání Tištěná - P Akce ICANN 2019. International Conference on Artificial Neural Networks /28./ Datum konání 17.09.2019 - 19.09.2019 Místo konání Munich Země DE - Německo Typ akce WRD Jazyk dok. eng - angličtina Země vyd. CH - Švýcarsko Klíč. slova Approximation of random functions ; Feedforward networks ; Dictionaries of computational units ; High-dimensional geometry ; Concentration of measure ; Azuma-Hoeffding inequalities Vědní obor RIV IN - Informatika Obor OECD Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) CEP GA19-05704S GA ČR - Grantová agentura ČR Institucionální podpora UIVT-O - RVO:67985807 UT WOS 000546494000033 EID SCOPUS 85072858183 DOI 10.1007/978-3-030-30487-4_33 Anotace 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. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2020
Počet záznamů: 1