Fugu-MT 論文翻訳(概要): A Functorial Formulation of Neighborhood Aggregating Deep Learning

論文の概要: A Functorial Formulation of Neighborhood Aggregating Deep Learning

arxiv url: http://arxiv.org/abs/2604.24672v1
Date: Mon, 27 Apr 2026 16:31:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-28 17:12:08.171171
Title: A Functorial Formulation of Neighborhood Aggregating Deep Learning
Title（参考訳）: 周辺地域の深層学習の関数的定式化
Authors: Sun Woo Park, Yun Young Choi, U Jin Choi, Youngho Woo,
Abstract要約: 我々は,プレシーブとコプレシーブを用いて,畳み込みニューラルネットワーク(あるいはメッセージパッシング)の数学的解釈を行う。我々は,これらのニューラルネットワークの実証的限界を,羊飼いやコプレシーブに閉塞を用いることで解明する理論を定式化する。
参考スコア（独自算出の注目度）: 3.2756362729975517
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We provide a mathematical interpretation of convolutional (or message passing) neural networks by using presheaves and copresheaves of the set of continuous functions over a topological space. Based on this interpretation, we formulate a theoretical heuristic which elaborates a number of empirical limitations of these neural networks by using obstructions on such sets of continuous functions over a topological space to be sheaves or copresheaves.
Abstract（参考訳）: 位相空間上の連続関数の集合のプレシーブとコプレシーブを用いて畳み込み(あるいはメッセージパッシング)ニューラルネットワークの数学的解釈を行う。この解釈に基づいて、この理論的ヒューリスティックを定式化し、これらのニューラルネットワークの多くの経験的限界を、位相空間上のそのような連続関数の集合上の障害を利用して、せん断やコプレシーブとして利用する。

関連論文リスト

Dense Neural Networks are not Universal Approximators [53.27010448621372]
ニューラルネットワークは任意の連続関数の普遍性を持たないことを示す。 ReLUニューラルネットワークは、重みと入出力次元の自然な制約を受ける。
論文参考訳（メタデータ） (2026-02-07T16:52:38Z)
On shallow feedforward neural networks with inputs from a topological space [0.0]
位相空間(TFNN)からの入力を用いたフィードフォワードニューラルネットワークの研究浅い TFNN に対する普遍近似定理を証明し、この位相空間上で定義された任意の連続函数を近似する能力を示す。
論文参考訳（メタデータ） (2025-04-03T06:48:46Z)
Spherical Analysis of Learning Nonlinear Functionals [10.785977740158193]
本稿では,球面上の関数の集合上で定義される関数について考察する。深部ReLUニューラルネットワークの近似能力をエンコーダデコーダフレームワークを用いて検討した。
論文参考訳（メタデータ） (2024-10-01T20:10:00Z)
Neural reproducing kernel Banach spaces and representer theorems for deep networks [14.902126718612648]
ディープニューラルネットワークは、適切なカーネルバナッハ空間の再生を定義する。応用において一般的に用いられる有限アーキテクチャを正当化する代表者定理を導出する。
論文参考訳（メタデータ） (2024-03-13T17:51:02Z)
Data Topology-Dependent Upper Bounds of Neural Network Widths [52.58441144171022]
まず、3層ニューラルネットワークがコンパクトな集合上のインジケータ関数を近似するように設計可能であることを示す。その後、これは単純複体へと拡張され、その位相構造に基づいて幅の上界が導かれる。トポロジカルアプローチを用いて3層ReLUネットワークの普遍近似特性を証明した。
論文参考訳（メタデータ） (2023-05-25T14:17:15Z)
A Functional-Space Mean-Field Theory of Partially-Trained Three-Layer Neural Networks [49.870593940818715]
本稿では,第1層がランダムで固定された3層NNモデルの無限幅限界について検討する。我々の理論はモデルの異なるスケーリング選択に対応しており、結果としてMF制限の2つの条件が顕著な振舞いを示す。
論文参考訳（メタデータ） (2022-10-28T17:26:27Z)
A Chain Graph Interpretation of Real-World Neural Networks [58.78692706974121]
本稿では,NNを連鎖グラフ(CG)、フィードフォワードを近似推論手法として識別する別の解釈を提案する。 CG解釈は、確率的グラフィカルモデルのリッチな理論的枠組みの中で、各NNコンポーネントの性質を規定する。我々は,CG解釈が様々なNN技術に対する新しい理論的支援と洞察を提供することを示す具体例を実例で示す。
論文参考訳（メタデータ） (2020-06-30T14:46:08Z)
Banach Space Representer Theorems for Neural Networks and Ridge Splines [17.12783792226575]
データに適合するニューラルネットワークで学習した関数の性質を理解するための変分フレームワークを開発する。有限幅単層ニューラルネットワークが逆問題に対する解であることを示す代表者定理を導出する。
論文参考訳（メタデータ） (2020-06-10T02:57:37Z)
Space of Functions Computed by Deep-Layered Machines [74.13735716675987]
深層ニューラルネットワークやブール回路を含むランダム層マシンによって計算される関数の空間について検討する。繰り返しおよび層依存アーキテクチャ上で計算されたブール関数の分布を調べた結果、両方のモデルで同じであることが判明した。
論文参考訳（メタデータ） (2020-04-19T18:31:03Z)
A function space analysis of finite neural networks with insights from sampling theory [41.07083436560303]
非拡張活性化関数を持つ多層ネットワークが生成する関数空間は滑らかであることを示す。入力が帯域制限の仮定の下では、新しいエラー境界を提供する。前者の利点を示す決定論的一様とランダムサンプリングの両方を解析した。
論文参考訳（メタデータ） (2020-04-15T10:25:18Z)

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。