Buchumschlag

Training Fully Connected Neural Networks is $\exists\mathbb{R}$-Complete

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bertschinger, Daniel, Hertrich, Christoph, Jungeblut, Paul, Miltzow, Tillmann, Weber, Simon
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Computational Complexity Machine Learning Neural and Evolutionary Computing
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Training Neural Networks is NP-Hard in Fixed Dimension
von: Froese, Vincent, et al.
Veröffentlicht: (2023)

Provably Good Solutions to the Knapsack Problem via Neural Networks of Bounded Size
von: Hertrich, Christoph, et al.
Veröffentlicht: (2020)

The Computational Complexity of Counting Linear Regions in ReLU Neural Networks
von: Stargalla, Moritz, et al.
Veröffentlicht: (2025)

ReLU Neural Networks of Polynomial Size for Exact Maximum Flow Computation
von: Hertrich, Christoph, et al.
Veröffentlicht: (2021)

Parameterized Hardness of Zonotope Containment and Neural Network Verification
von: Froese, Vincent, et al.
Veröffentlicht: (2025)

[RETRACTED]Evolving Form and Function: Dual-Objective Optimization in Neural Symbolic Regression Networks
von: Bertschinger, Amanda, et al.
Veröffentlicht: (2025)

PARWiS: Winner determination under shoestring budgets using active pairwise comparisons
von: Bhandari, Shailendra
Veröffentlicht: (2026)

Primitive Recursion without Composition: Dynamical Characterizations, from Neural Networks to Polynomial ODEs
von: Bournez, Olivier
Veröffentlicht: (2026)

Nearest Neighbor Representations of Neural Circuits
von: Kilic, Kordag Mehmet, et al.
Veröffentlicht: (2024)

Mode Connectivity in Auction Design
von: Hertrich, Christoph, et al.
Veröffentlicht: (2023)

Depth-Bounds for Neural Networks via the Braid Arrangement
von: Grillo, Moritz, et al.
Veröffentlicht: (2025)

Prove Symbolic Regression is NP-hard by Symbol Graph
von: Song, Jinglu, et al.
Veröffentlicht: (2024)

Simulating Evolvability as a Learning Algorithm: Empirical Investigations on Distribution Sensitivity, Robustness, and Constraint Tradeoffs
von: Fidalgo, Nicholas, et al.
Veröffentlicht: (2025)

Markov Chain-based Optimization Time Analysis of Bivalent Ant Colony Optimization for Sorting and LeadingOnes
von: Kergaßner, Matthias, et al.
Veröffentlicht: (2024)

On the Depth of Monotone ReLU Neural Networks and ICNNs
von: Bakaev, Egor, et al.
Veröffentlicht: (2025)

Framework for $\exists \mathbb{R}$-Completeness of Two-Dimensional Packing Problems
von: Abrahamsen, Mikkel, et al.
Veröffentlicht: (2020)

A Hybrid Spiking-Convolutional Neural Network Approach for Advancing Machine Learning Models
von: Sanaullah, et al.
Veröffentlicht: (2024)

Towards Lower Bounds on the Depth of ReLU Neural Networks
von: Hertrich, Christoph, et al.
Veröffentlicht: (2021)

Better Neural Network Expressivity: Subdividing the Simplex
von: Bakaev, Egor, et al.
Veröffentlicht: (2025)

A Neural Network Training Method Based on Neuron Connection Coefficient Adjustments
von: Jiang, Kun
Veröffentlicht: (2025)

Nearest Neighbor Representations of Neurons
von: Kilic, Kordag Mehmet, et al.
Veröffentlicht: (2024)

CHNNet: An Artificial Neural Network With Connected Hidden Neurons
von: Shahir, Rafiad Sadat, et al.
Veröffentlicht: (2023)

Representing Matroids over the Reals is $\exists \mathbb R$-complete
von: Kim, Eun Jung, et al.
Veröffentlicht: (2023)

Bullet Trains: Parallelizing Training of Temporally Precise Spiking Neural Networks
von: Morrill, Todd, et al.
Veröffentlicht: (2026)

Position: Scaling LLM Agents Requires Asymptotic Analysis with LLM Primitives
von: Meyerson, Elliot, et al.
Veröffentlicht: (2025)

Sharpness Aware Surrogate Training for Spiking Neural Networks
von: Nicholson, Maximilian
Veröffentlicht: (2026)

Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning
von: Chen, Ding, et al.
Veröffentlicht: (2024)

XnODR and XnIDR: Two Accurate and Fast Fully Connected Layers For Convolutional Neural Networks
von: Sun, Jian, et al.
Veröffentlicht: (2021)

Functional Connectivity Graph Neural Networks
von: Li, Yang, et al.
Veröffentlicht: (2025)

Linear-Size Neural Network Representation of Piecewise Affine Functions in $\mathbb{R}^2$
von: Zanotti, Leo
Veröffentlicht: (2025)

SQUAT: Stateful Quantization-Aware Training in Recurrent Spiking Neural Networks
von: Venkatesh, Sreyes, et al.
Veröffentlicht: (2024)

Accelerating genetic optimization of nonlinear model predictive control by learning optimal search space size
von: Mostafa, Eslam, et al.
Veröffentlicht: (2023)

Training a General Spiking Neural Network with Improved Efficiency and Minimum Latency
von: Yao, Yunpeng, et al.
Veröffentlicht: (2024)

Linearly Constrained Weights: Reducing Activation Shift for Faster Training of Neural Networks
von: Kutsuna, Takuro
Veröffentlicht: (2024)

Biologically Plausible Training of Deep Neural Networks Using a Top-down Credit Assignment Network
von: Chen, Jian-Hui, et al.
Veröffentlicht: (2022)

Surrogate-Assisted Evolution for Efficient Multi-branch Connection Design in Deep Neural Networks
von: Stapleton, Fergal, et al.
Veröffentlicht: (2025)

Design-Space Exploration of SNN Models using Application-Specific Multi-Core Architectures
von: Sanaullah, et al.
Veröffentlicht: (2024)

Spiking Brain Compression: Post-Training Second-order Compression for Spiking Neural Networks
von: Shi, Lianfeng, et al.
Veröffentlicht: (2025)

Advancing Training Efficiency of Deep Spiking Neural Networks through Rate-based Backpropagation
von: Yu, Chengting, et al.
Veröffentlicht: (2024)

SAGRAD: A Program for Neural Network Training with Simulated Annealing and the Conjugate Gradient Method
von: Bernal, Javier, et al.
Veröffentlicht: (2025)