Buchumschlag

Approximation Power of Deep Neural Networks: an explanatory mathematical survey

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Davis, Owen, Motamed, Mohammad
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Residual Multi-Fidelity Neural Network Computing
von: Davis, Owen, et al.
Veröffentlicht: (2023)

Deep Learning without Global Optimization by Random Fourier Neural Networks
von: Davis, Owen, et al.
Veröffentlicht: (2024)

Expressive Power of Deep Networks on Manifolds: Simultaneous Approximation
von: Zhou, Hanfei, et al.
Veröffentlicht: (2025)

ChebNet: Efficient and Stable Constructions of Deep Neural Networks with Rectified Power Units via Chebyshev Approximations
von: Tang, Shanshan, et al.
Veröffentlicht: (2019)

On the Dimension-Free Approximation of Deep Neural Networks for Symmetric Korobov Functions
von: Lu, Yulong, et al.
Veröffentlicht: (2025)

Multigrade Neural Network Approximation
von: Zhang, Shijun, et al.
Veröffentlicht: (2026)

Geometric Layer-wise Approximation Rates for Deep Networks
von: Zhang, Shijun, et al.
Veröffentlicht: (2026)

Simultaneous Approximation of the Score Function and Its Derivatives by Deep Neural Networks
von: Yakovlev, Konstantin, et al.
Veröffentlicht: (2025)

Approximating Matrix Functions with Deep Neural Networks and Transformers
von: Padmanabhan, Rahul, et al.
Veröffentlicht: (2026)

Fourier Residual Networks Achieve Spectral Accuracy for Discontinuous Functions
von: Davis, Owen, et al.
Veröffentlicht: (2026)

Sobolev Approximation of Deep ReLU Networks in Log-Barron Space
von: Song, Changhoon, et al.
Veröffentlicht: (2026)

Operator SVD with Neural Networks via Nested Low-Rank Approximation
von: Ryu, J. Jon, et al.
Veröffentlicht: (2024)

Bayesian Physics Informed Neural Networks for Linear Inverse problems
von: Mohammad-Djafari, Ali
Veröffentlicht: (2025)

Deep NURBS -- Admissible Physics-informed Neural Networks
von: Saidaoui, Hamed, et al.
Veröffentlicht: (2022)

Deep Neural Network Solutions for Oscillatory Fredholm Integral Equations
von: Jiang, Jie, et al.
Veröffentlicht: (2024)

Lattice-based Deep Neural Networks: Regularity and Tailored Regularization
von: Keller, Alexander, et al.
Veröffentlicht: (2026)

Expressivity and Approximation Properties of Deep Neural Networks with ReLU$^k$ Activation
von: He, Juncai, et al.
Veröffentlicht: (2023)

Inverse Evolution Layers: Physics-informed Regularizers for Deep Neural Networks
von: Liu, Chaoyu, et al.
Veröffentlicht: (2023)

eXtended Physics Informed Neural Network Method for Fracture Mechanics Problems
von: Lotfalian, Amin, et al.
Veröffentlicht: (2025)

Radial Müntz-Szász Networks: Neural Architectures with Learnable Power Bases for Multidimensional Singularities
von: N'guessan, Gnankan Landry Regis, et al.
Veröffentlicht: (2026)

Quantitative Approximation for Neural Operators in Nonlinear Parabolic Equations
von: Furuya, Takashi, et al.
Veröffentlicht: (2024)

Guaranteed Approximation Bounds for Mixed-Precision Neural Operators
von: Tu, Renbo, et al.
Veröffentlicht: (2023)

Universal Approximation of Operators with Transformers and Neural Integral Operators
von: Zappala, Emanuele, et al.
Veröffentlicht: (2024)

Sinusoidal Approximation Theorem for Kolmogorov-Arnold Networks
von: Gleyzer, Sergei, et al.
Veröffentlicht: (2025)

An Efficient Deep Learning Approach for Approximating Parameter-to-Solution Maps of PDEs
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

Fourier Neural Operators for Non-Markovian Processes:Approximation Theorems and Experiments
von: Lee, Wonjae, et al.
Veröffentlicht: (2025)

Bayesian Deep Learning with Multilevel Trace-class Neural Networks
von: Chada, Neil K., et al.
Veröffentlicht: (2022)

A Deep Learning Framework for Multi-Operator Learning: Architectures and Approximation Theory
von: Weihs, Adrien, et al.
Veröffentlicht: (2025)

Data-Augmented Predictive Deep Neural Network: Enhancing the extrapolation capabilities of non-intrusive surrogate models
von: Sun, Shuwen, et al.
Veröffentlicht: (2024)

Provable Emergence of Deep Neural Collapse and Low-Rank Bias in $L^2$-Regularized Nonlinear Networks
von: Zangrando, Emanuele, et al.
Veröffentlicht: (2024)

Approximating Numerical Fluxes Using Fourier Neural Operators for Hyperbolic Conservation Laws
von: Kim, Taeyoung, et al.
Veröffentlicht: (2024)

Why Shallow Networks Struggle to Approximate and Learn High Frequencies
von: Zhang, Shijun, et al.
Veröffentlicht: (2023)

An Overview on Machine Learning Methods for Partial Differential Equations: from Physics Informed Neural Networks to Deep Operator Learning
von: Gonon, Lukas, et al.
Veröffentlicht: (2024)

Approximation with SiLU Networks: Constant Depth and Exponential Rates for Basic Operations
von: Ayena, Koffi O.
Veröffentlicht: (2025)

Preconditioning for Physics-Informed Neural Networks
von: Liu, Songming, et al.
Veröffentlicht: (2024)

THINNs: Thermodynamically Informed Neural Networks
von: Castro, Javier, et al.
Veröffentlicht: (2025)

Dual-Balancing for Physics-Informed Neural Networks
von: Zhou, Chenhong, et al.
Veröffentlicht: (2025)

Estimating condition number with Graph Neural Networks
von: Carson, Erin, et al.
Veröffentlicht: (2026)

Conformalized-DeepONet: A Distribution-Free Framework for Uncertainty Quantification in Deep Operator Networks
von: Moya, Christian, et al.
Veröffentlicht: (2024)

Deep Network Trainability via Persistent Subspace Orthogonality
von: Massucco, Alex, et al.
Veröffentlicht: (2025)