論文の概要: Explicit integral representations and quantitative bounds for two-layer ReLU networks

• arxiv url: http://arxiv.org/abs/2604.23260v1
• Date: Sat, 25 Apr 2026 11:56:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.233476
• Title: Explicit integral representations and quantitative bounds for two-layer ReLU networks
• Title（参考訳）: 2層ReLUネットワークにおける明示的積分表現と量的境界
• Authors: Anthony Lee,
• Abstract要約: 2層ReLUネットワークに対する明示的な積分表現構築手法を提案する。 境界は、関数が$L2(mathcalD)$エラーで近似できることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An approach to construct explicit integral representations for two-layer ReLU networks is presented, which provides relatively simple representations for any multivariate polynomial. Quantitative bounds are provided for a particular, sharpened ReLU integral representation, which involves a harmonic extension and a projection. The bounds demonstrate that functions can be approximated with $L^{2}(\mathcal{D})$ errors that do not depend explicitly on dimension or degree, but rather the coefficients of their monomial expansions and the distribution $\mathcal{D}$.
• Abstract（参考訳）: 二層ReLUネットワークに対する明示的な積分表現を構築するためのアプローチが提示され、これは任意の多変数多項式に対して比較的単純な表現を提供する。 定量的境界は、調和拡張と射影を含む特定の鋭いReLU積分表現に対して与えられる。 境界は、函数が次元や次数に明示的に依存しない$L^{2}(\mathcal{D})$エラーと近似できることを示し、むしろそれらの単項展開と分布$\mathcal{D}$の係数を証明している。

関連論文リスト

• Optimization of Sums of Bivariate Functions: An Introduction to Relaxation-Based Methods for the Case of Finite Domains [0.0]
  我々は、$n>2$引数を持つ関数の最適化を、それぞれ$n$引数の2ドルしか持たないいくつかの関数の和として表現する。 線形計画法、座標昇華法、閉形式解法で解けるいくつかのトラクタブル問題の定式化を導出する。
  論文  参考訳（メタデータ） (2025-11-25T18:35:14Z)
• $p$-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)
• Conditional Distribution Quantization in Machine Learning [83.54039134248231]
  条件予測 mathbbE(Y Mid X) はしばしば、マルチモーダル条件分布の複雑さを捉えることに失敗する(Y Mid X) 我々はn点条件量子化(n-point Conditional Quantizations)-勾配降下により学習可能なXの関数写像--近似数学L(Y mid X)-を提案する。
  論文  参考訳（メタデータ） (2025-02-11T00:28:24Z)
• Expressivity of Shallow and Deep Neural Networks for Polynomial Approximation [0.0]
  一般コンパクト領域上の積関数を近似する浅層ネットワークの複雑さの指数的下界を確立する。 また、この下界は単位立方体上の正規化リプシッツ単項数には適用されないことを示した。
  論文  参考訳（メタデータ） (2023-03-06T23:01:53Z)
• Barycentric-alignment and reconstruction loss minimization for domain generalization [30.459247038765568]
  本稿では,機械学習におけるドメイン一般化(DG)の理論と実践を推し進める。 本稿では,WBAE (Wasserstein Barycenter Auto-Encoder) という新しいDGアルゴリズムを提案する。 数値計算により,提案手法は複数のデータセット上で現在最先端のDGアルゴリズムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-09-04T16:57:36Z)
• Bilinear Classes: A Structural Framework for Provable Generalization in RL [119.42509700822484]
  Bilinear Classesは強化学習の一般化を可能にする新しい構造フレームワークである。 このフレームワークは、サンプルの複雑さが達成可能な、ほとんどすべての既存のモデルを取り込んでいる。 我々の主な成果は、双線形クラスのためのサンプル複雑性を持つRLアルゴリズムである。
  論文  参考訳（メタデータ） (2021-03-19T16:34:20Z)
• AMITE: A Novel Polynomial Expansion for Analyzing Neural Network Nonlinearities [1.8761314918771685]
  多項式展開はニューラルネットワークの非線形性の解析において重要である。 既存のアプローチは古典的なテイラー法とチェビシェフ法にまたがる。 これらの性質をすべて拡張した一貫した方法を提供するアプローチは存在しない。
  論文  参考訳（メタデータ） (2020-07-13T07:58:47Z)
• Stochastic spectral embedding [0.0]
  確率スペクトル埋め込み(SSE)に基づく新しい逐次適応サロゲートモデリング法を提案する。 本手法は,複雑性と入力次元の異なるモデルの集合上で,最先端のスパースカオス展開に対して,どのように好意的に比較されるかを示す。
  論文  参考訳（メタデータ） (2020-04-09T11:00:07Z)
• Neural Networks are Convex Regularizers: Exact Polynomial-time Convex Optimization Formulations for Two-layer Networks [70.15611146583068]
  我々は、線形整列ユニット(ReLU)を用いた2層ニューラルネットワークのトレーニングの正確な表現を開発する。 我々の理論は半無限双対性と最小ノルム正規化を利用する。
  論文  参考訳（メタデータ） (2020-02-24T21:32:41Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。