Počet záznamů: 1
Approximation of Classifiers by Deep Perceptron Networks
- 1.
SYSNO ASEP 0572576 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Článek ve WOS Název Approximation of Classifiers by Deep Perceptron Networks Tvůrce(i) Kůrková, Věra (UIVT-O) RID, SAI, ORCID
Sanguineti, M. (IT)Zdroj.dok. Neural Networks. - : Elsevier - ISSN 0893-6080
Roč. 165, August 2023 (2023), s. 654-661Poč.str. 8 s. Forma vydání Tištěná - P Jazyk dok. eng - angličtina Země vyd. GB - Velká Británie Klíč. slova Approximation by deep networks ; Probabilistic bounds on approximation errors ; Random classifiers ; Concentration of measure ; Method of bounded differences ; Growth functions Obor OECD Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) CEP GA22-02067S GA ČR - Grantová agentura ČR Způsob publikování Omezený přístup Institucionální podpora UIVT-O - RVO:67985807 UT WOS 001058145100001 EID SCOPUS 85163371420 DOI 10.1016/j.neunet.2023.06.004 Anotace 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. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2024 Elektronická adresa https://dx.doi.org/10.1016/j.neunet.2023.06.004
Počet záznamů: 1