Buchumschlag

Universal Approximation Power of Deep Residual Neural Networks via Nonlinear Control Theory

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tabuada, Paulo, Gharesifard, Bahman
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Machine Learning Systems and Control Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Topology of Neural Network Superlevel Sets
von: Gharesifard, Bahman
Veröffentlicht: (2026)

Sample Complexity of the Linear Quadratic Regulator: A Reinforcement Learning Lens
von: Moghaddam, Amirreza Neshaei, et al.
Veröffentlicht: (2024)

Sample Complexity of Linear Quadratic Regulator Without Initial Stability
von: Moghaddam, Amirreza Neshaei, et al.
Veröffentlicht: (2025)

Inferring Global Exponential Stability Properties using Lie-bracket Approximations
von: Weber, Marc, et al.
Veröffentlicht: (2024)

Heat Death of Generative Models in Closed-Loop Learning
von: Marchi, Matteo, et al.
Veröffentlicht: (2024)

A Nonlinear Separation Principle via Contraction Theory: Applications to Neural Networks, Control, and Learning
von: Gokhale, Anand, et al.
Veröffentlicht: (2026)

On Reward-Balancing Methods for Reinforcement Learning
von: Baroncini, Simone, et al.
Veröffentlicht: (2026)

Provably-Stable Neural Network-Based Control of Nonlinear Systems
von: Li, Anran, et al.
Veröffentlicht: (2025)

The Asymptotic Behavior of Attention in Transformers
von: Abella, Álvaro Rodríguez, et al.
Veröffentlicht: (2024)

Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining
von: Hose, Henrik, et al.
Veröffentlicht: (2024)

Global exponential stabilization of a force- and torque-actuated unicycle by flexible-step MPC
von: Kolsi, Ala, et al.
Veröffentlicht: (2026)

Discrete-time Contraction-based Control of Nonlinear Systems with Parametric Uncertainties using Neural Networks
von: Wei, Lai, et al.
Veröffentlicht: (2021)

Sinkhorn doubly stochastic attention rank decay analysis
von: Lapenna, Michela, et al.
Veröffentlicht: (2026)

Sampling-Horizon Neural Operator Predictors for Nonlinear Control under Delayed Inputs
von: Bhan, Luke, et al.
Veröffentlicht: (2026)

Sample-Free Safety Assessment of Neural Network Controllers via Taylor Methods
von: Evans, Adam, et al.
Veröffentlicht: (2026)

Neural Operators for Predictor Feedback Control of Nonlinear Delay Systems
von: Bhan, Luke, et al.
Veröffentlicht: (2024)

Predictor-Based Output-Feedback Control of Linear Systems with Time-Varying Input and Measurement Delays via Neural-Approximated Prediction Horizons
von: Bhan, Luke, et al.
Veröffentlicht: (2026)

Reinforcement Learning-based Control via Y-wise Affine Neural Networks (YANNs)
von: Braniff, Austin, et al.
Veröffentlicht: (2025)

Improved Scalable Lipschitz Bounds for Deep Neural Networks
von: Syed, Usman, et al.
Veröffentlicht: (2025)

Forward Invariance in Neural Network Controlled Systems
von: Harapanahalli, Akash, et al.
Veröffentlicht: (2023)

Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
von: Authier, Jules, et al.
Veröffentlicht: (2023)

Control Barrier Function based Quadratic Programs Introduce Undesirable Asymptotically Stable Equilibria
von: Reis, Matheus F., et al.
Veröffentlicht: (2020)

Approximation with Random Shallow ReLU Networks with Applications to Model Reference Adaptive Control
von: Lamperski, Andrew, et al.
Veröffentlicht: (2024)

Distributed Control of Network Systems in the Space of Stabilizing Graph Neural Network Policies
von: Cao, John, et al.
Veröffentlicht: (2025)

Quantitative Flow Approximation Properties of Narrow Neural ODEs
von: Elamvazhuthi, Karthik
Veröffentlicht: (2025)

Random Features Approximation for Control-Affine Systems
von: Kazemian, Kimia, et al.
Veröffentlicht: (2024)

Contraction Theory for Nonlinear Stability Analysis and Learning-based Control: A Tutorial Overview
von: Tsukamoto, Hiroyasu, et al.
Veröffentlicht: (2021)

Reinforcement Learning-based Control via Y-wise Affine Neural Networks: Comparative Case Studies for Chemical Processes
von: Braniff, Austin, et al.
Veröffentlicht: (2026)

Neural Network-assisted Interval Reachability for Systems with Control Barrier Function-Based Safe Controllers
von: Ajeyemi, Damola, et al.
Veröffentlicht: (2025)

Neural Approximators for Low-Thrust Trajectory Transfer Cost and Reachability
von: Zhang, Zhong, et al.
Veröffentlicht: (2025)

Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study
von: Schulze, Jan C., et al.
Veröffentlicht: (2024)

Contraction-Guided Adaptive Partitioning for Reachability Analysis of Neural Network Controlled Systems
von: Harapanahalli, Akash, et al.
Veröffentlicht: (2023)

A Framework for Time-Varying Optimization via Derivative Estimation
von: Marchi, Matteo, et al.
Veröffentlicht: (2024)

On the Stability of Nonlinear Receding Horizon Control: A Geometric Perspective
von: Westenbroek, Tyler, et al.
Veröffentlicht: (2021)

Differentiable Optimization for Deep Learning-Enhanced DC Approximation of AC Optimal Power Flow
von: Rosemberg, Andrew, et al.
Veröffentlicht: (2025)

Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems
von: Li, Haoyu, et al.
Veröffentlicht: (2025)

Certified Approximate Reachability (CARe): Formal Error Bounds on Deep Learning of Reachable Sets
von: Solanki, Prashant, et al.
Veröffentlicht: (2025)

Event-Triggered Newton-Based Extremum Seeking Control
von: Rodrigues, Victor Hugo Pereira, et al.
Veröffentlicht: (2025)

Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow
von: Pineda, Salvador, et al.
Veröffentlicht: (2024)

Modeling and Control of Deep Sign-Definite Dynamics with Application to Hybrid Powertrain Control
von: Kato, Teruki, et al.
Veröffentlicht: (2025)