Fugu-MT 論文翻訳(概要): $p$-adic Character Neural Network

論文の概要: $p$-adic Character Neural Network

arxiv url: http://arxiv.org/abs/2603.29905v1
Date: Tue, 31 Mar 2026 15:50:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-01 15:25:03.755576
Title: $p$-adic Character Neural Network
Title（参考訳）: $p$-adic character Neural Network
Abstract要約: 我々は、アクティベーション関数として、トポロジカルアベリア群 $mathbbZ_p$ 上の単射$p$-進文字を用いる。我々は、この$p$-adic ニューラルネットワークの定式化に対する$p$-adic 普遍近似を証明し、それを整数の有限環上の方程式の実現可能性問題に還元する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new frame work of $p$-adic neural network. Unlike the original $p$-adic neural network by S.\ Albeverio, A.\ Khrennikov, and B.\ Tirrozi using a family of characteristic functions indexed by hyperparameters of precision as activation functions, we use a single injective $p$-adic character on the topological Abelian group $\mathbb{Z}_p$ of $p$-adic integers as an activation function. We prove the $p$-adic universal approximation theorem for this formulation of $p$-adic neural network, and reduce it to the feasibility problem of polynomial equations over the finite ring of integers modulo a power of $p$.
Abstract（参考訳）: 我々は、$p$-adic ニューラルネットワークの新しいフレームワークを提案する。 Sによる元の$p$-adicニューラルネットワークとは違って。アルベリオ(Albeverio, A)。略称はKhrennikov、B。アクティベーション関数として超パラメータによってインデックス付けされた特性関数の族を用いて、トポロジカルなアベリア群 $\mathbb{Z}_p$ of $p$-adic 整数の単射$p$-adic 文字をアクティベーション関数として使用する。我々は、この$p$-adic ニューラルネットワークの定式化に対する$p$-adic 普遍近似定理を証明し、それを整数の有限環上の多項式方程式の実現可能性問題に還元する。

関連論文リスト

The minimal width of universal $p$-adic ReLU neural networks [0.0]
連続な$mathbb Q_p$値関数に対する普遍近似特性を持つ$p$進ニューラルネットワークの最小幅を決定する。
論文参考訳（メタデータ） (2026-02-10T13:53:53Z)
$p$-Adic Polynomial Regression as Alternative to Neural Network for Approximating $p$-Adic Functions of Many Variables [55.2480439325792]
任意の精度で連続関数を近似できる回帰モデルを構築している。提案モデルは、ニューラルネットワークアーキテクチャに基づく$p$-adicモデルの簡単な代替と見なすことができる。
論文参考訳（メタデータ） (2025-03-30T15:42:08Z)
Optimal Neural Network Approximation for High-Dimensional Continuous Functions [5.748690310135373]
我々は、その近似において任意の精度を達成するために、少なくとも幅$d$、従って少なくとも$d$のニューロンやパラメータを必要とする連続関数の族を示す。これは、パラメータが$d$で指数関数的に成長するいくつかの近似方法とは異なり、入力次元$d$で線形に成長するという意味では、非ゼロパラメータの数が最適であることを示している。
論文参考訳（メタデータ） (2024-09-04T01:18:55Z)
Interpolation with deep neural networks with non-polynomial activations: necessary and sufficient numbers of neurons [0.0]
我々は、活性化関数が点ではなく点において実数である限り、$Theta(sqrtnd')$ニューロンは十分であることを示す。これは、パワーを失うことなく、アクティベーション関数を問題依存的に自由に選択できることを意味する。
論文参考訳（メタデータ） (2024-05-22T15:29:45Z)
Shallow neural network representation of polynomials [91.3755431537592]
d+1+sum_r=2Rbinomr+d-1d-1[binomr+d-1d-1d-1[binomr+d-1d-1d-1]binomr+d-1d-1d-1[binomr+d-1d-1d-1]binomr+d-1d-1d-1]
論文参考訳（メタデータ） (2022-08-17T08:14:52Z)
Neural networks with superexpressive activations and integer weights [91.3755431537592]
アクティベーション関数の例 $sigma$ は、アクティベーションを持つネットワーク $sigma, lfloorcdotrfloor$, integer weights と固定アーキテクチャが与えられる。より古い連続関数の $varepsilon$-approximation に必要な整数ウェイトの範囲が導出される。
論文参考訳（メタデータ） (2021-05-20T17:29:08Z)
Deep neural network approximation of analytic functions [91.3755431537592]
ニューラルネットワークの空間にエントロピーバウンド片方向の線形活性化関数を持つ我々は、ペナル化深部ニューラルネットワーク推定器の予測誤差に対するオラクルの不等式を導出する。
論文参考訳（メタデータ） (2021-04-05T18:02:04Z)
The universal approximation theorem for complex-valued neural networks [0.0]
ニューラルネットワークの古典的普遍近似を複素数値ニューラルネットワークの場合に一般化する。複雑な活性化関数 $sigma : mathbbC to mathbbC$ のフィードフォワードネットワークを考える。各ニューロンが mathbbCN to mathbbC, z mapto sigma(b + wT z)$ を演算し、 mathbbCN$ の重みが $w で、数学の偏りが $b である。
論文参考訳（メタデータ） (2020-12-06T18:51:10Z)
Nonclosedness of Sets of Neural Networks in Sobolev Spaces [0.0]
実現されたニューラルネットワークは順序で閉じていないことを示す--(m-1)$ソボレフ空間$Wm-1,p$ for $p in [1,infty]$。実解析的アクティベーション関数に対して、実現されたニューラルネットワークの集合は、mathbbN$の任意の$kに対して$Wk,p$で閉じていないことを示す。
論文参考訳（メタデータ） (2020-07-23T00:57:25Z)
Interval Universal Approximation for Neural Networks [47.767793120249095]
区間普遍近似(IUA)定理を導入する。 IUAは、ニューラルネットワークが何十年にもわたって知られているような、あらゆる連続関数の$f$を近似できることを示している。本稿では,精度の高い区間解析が可能なニューラルネットワークを構築する際の計算複雑性について検討する。
論文参考訳（メタデータ） (2020-07-12T20:43:56Z)
Learning Over-Parametrized Two-Layer ReLU Neural Networks beyond NTK [58.5766737343951]
2層ニューラルネットワークを学習する際の降下のダイナミクスについて考察する。過度にパラメータ化された2層ニューラルネットワークは、タンジェントサンプルを用いて、ほとんどの地上で勾配損失を許容的に学習できることを示す。
論文参考訳（メタデータ） (2020-07-09T07:09:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。