ترجمه فارسی مقاله تقریب شبکه عصبی بهینه برای توابع پیوسته با ابعاد بالا

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Optimal Neural Network Approximation for High-Dimensional Continuous Functions
عنوان مقاله به فارسی تقریب شبکه عصبی بهینه برای توابع پیوسته با ابعاد بالا
نویسندگان Ayan Maiti, Michelle Michelle, Haizhao Yang
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; v1 submitted 3 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛V1 ارسال شده در 3 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Recently, the authors of Shen Yang Zhang (JMLR, 2022) developed a neural network with width $36d(2d + 1)$ and depth $11$, which utilizes a special activation function called the elementary universal activation function, to achieve the super approximation property for functions in $C([a,b]^d)$. That is, the constructed network only requires a fixed number of neurons to approximate a $d$-variate continuous function on a $d$-dimensional hypercube with arbitrary accuracy. Their network uses $\mathcal{O}(d^2)$ fixed neurons. One natural question to address is whether we can reduce the number of these neurons in such a network. By leveraging a variant of the Kolmogorov Superposition Theorem, our analysis shows that there is a neural network generated by the elementary universal activation function with only $366d +365$ fixed, intrinsic (non-repeated) neurons that attains this super approximation property. Furthermore, we present a family of continuous functions that requires at least width $d$, and therefore at least $d$ intrinsic neurons, to achieve arbitrary accuracy in its approximation. This shows that the requirement of $\mathcal{O}(d)$ intrinsic neurons is optimal in the sense that it grows linearly with the input dimension $d$, unlike some approximation methods where parameters may grow exponentially with $d$.

چکیده به فارسی (ترجمه ماشینی)

به تازگی ، نویسندگان شن یانگ ژانگ (JMLR ، 2022) یک شبکه عصبی با عرض 36D $ (2d + 1) $ و عمق 11 $ $ ، که از یک تابع فعال سازی ویژه به نام عملکرد فعال سازی جهانی ابتدایی استفاده می کند ، برای دستیابی به سوپر تقریب توسعه داد.ویژگی برای توابع در $ C ([A ، B]^D) $.یعنی ، شبکه ساخته شده فقط به تعداد مشخصی از نورون ها نیاز دارد تا عملکرد مداوم متغیر $ d $ را در یک hypercube $ d $-dimensional با دقت دلخواه تقریبی کنند.شبکه آنها از $ \ mathcal {o} (d^2) $ سلولهای عصبی ثابت استفاده می کند.یک سؤال طبیعی برای پرداختن به این است که آیا می توانیم تعداد این نورونها را در چنین شبکه ای کاهش دهیم.تجزیه و تحلیل ما با استفاده از یک نوع قضیه فوق العاده Kolmogorov ، نشان می دهد که یک شبکه عصبی وجود دارد که توسط عملکرد فعال سازی جهانی ابتدایی با تنها 366D +365 $ سلولهای عصبی ثابت ، ذاتی (غیر تکرار شده) ایجاد می شود که به این خاصیت فوق العاده تقریب می رسد.علاوه بر این ، ما خانواده ای از کارکردهای مداوم را ارائه می دهیم که حداقل به عرض D $ D $ و بنابراین حداقل سلولهای عصبی ذاتی $ D $ نیاز دارند تا در تقریب آن به دقت دلخواه خود برسند.این نشان می دهد که نیاز به سلولهای عصبی ذاتی $ \ mathcal {o} (d) $ به این معناست که با ابعاد ورودی $ d $ به صورت خطی رشد می کند ، بر خلاف برخی از روش های تقریبی که پارامترها ممکن است با $ d $ به صورت نمایی رشد کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.