Buchumschlag

Mathematical Introduction to Deep Learning: Methods, Implementations, and Theory

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jentzen, Arnulf, Kuckuck, Benno, von Wurstemberger, Philippe
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence Numerical Analysis Probability 68T07
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep neural networks with ReLU, leaky ReLU, and softplus activation provably overcome the curse of dimensionality for space-time solutions of semilinear partial differential equations
von: Ackermann, Julia, et al.
Veröffentlicht: (2024)

Deep neural networks with ReLU, leaky ReLU, and softplus activation provably overcome the curse of dimensionality for Kolmogorov partial differential equations with Lipschitz nonlinearities in the $L^p$-sense
von: Ackermann, Julia, 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)

Mathematical analysis of the gradients in deep learning
von: Dereich, Steffen, et al.
Veröffentlicht: (2025)

Physics-informed diffusion models in spectral space
von: Gallon, Davide, et al.
Veröffentlicht: (2026)

Algorithmically Designed Artificial Neural Networks (ADANNs): Higher order deep operator learning for parametric partial differential equations
von: Jentzen, Arnulf, et al.
Veröffentlicht: (2023)

Learning the random variables in Monte Carlo simulations with stochastic gradient descent: Machine learning for parametric PDEs and financial derivative pricing
von: Becker, Sebastian, et al.
Veröffentlicht: (2022)

On the existence of minimizers in shallow residual ReLU neural network optimization landscapes
von: Dereich, Steffen, et al.
Veröffentlicht: (2023)

Towards Multiscale Graph-based Protein Learning with Geometric Secondary Structural Motifs
von: Wang, Shih-Hsin, et al.
Veröffentlicht: (2026)

Convergence rates for gradient descent in the training of overparameterized artificial neural networks with piecewise affine activation
von: Jentzen, Arnulf, et al.
Veröffentlicht: (2021)

Marrying Compressed Sensing and Deep Signal Separation
von: Hickok, Truman, et al.
Veröffentlicht: (2024)

Reduced Effectiveness of Kolmogorov-Arnold Networks on Functions with Noise
von: Shen, Haoran, et al.
Veröffentlicht: (2024)

Improving Flow Matching by Aligning Flow Divergence
von: Huang, Yuhao, et al.
Veröffentlicht: (2026)

Deep neural networks can provably solve Bellman equations for Markov decision processes without the curse of dimensionality
von: Jentzen, Arnulf, et al.
Veröffentlicht: (2025)

Space-time deep neural network approximations for high-dimensional partial differential equations
von: Hornung, Fabian, et al.
Veröffentlicht: (2020)

Deep learning based numerical approximation algorithms for stochastic partial differential equations
von: Beck, Christian, et al.
Veröffentlicht: (2020)

Non-convergence to global minimizers in data driven supervised deep learning: Adam and stochastic gradient descent optimization provably fail to converge to global minimizers in the training of deep neural networks with ReLU activation
von: Do, Thang, et al.
Veröffentlicht: (2024)

An overview of diffusion models for generative artificial intelligence
von: Gallon, Davide, et al.
Veröffentlicht: (2024)

Error analysis for the deep Kolmogorov method
von: Cîmpean, Iulian, et al.
Veröffentlicht: (2025)

Learning to Control the Smoothness of Graph Convolutional Network Features
von: Wang, Shih-Hsin, et al.
Veröffentlicht: (2024)

Deep neural network approximation theory for high-dimensional functions
von: Beneventano, Pierfrancesco, et al.
Veröffentlicht: (2021)

Hybrid Least Squares/Gradient Descent Methods for DeepONets
von: Choi, Jun, et al.
Veröffentlicht: (2025)

Embedding Inequalities for Barron-type Spaces
von: Wu, Lei
Veröffentlicht: (2023)

Single-shot prediction of parametric partial differential equations
von: Rafiq, Khalid, et al.
Veröffentlicht: (2025)

Approximation theory for 1-Lipschitz ResNets
von: Murari, Davide, et al.
Veröffentlicht: (2025)

Sparse Implementation of Versatile Graph-Informed Layers
von: Della Santa, Francesco
Veröffentlicht: (2024)

Sampling Boltzmann distributions via normalizing flow approximation of transport maps
von: Rehman, Zia Ur, et al.
Veröffentlicht: (2026)

High-dimensional approximation spaces of artificial neural networks and applications to partial differential equations
von: Beneventano, Pierfrancesco, et al.
Veröffentlicht: (2020)

Learning Low Rank Neural Representations of Hyperbolic Wave Dynamics from Data
von: Cho, Woojin, et al.
Veröffentlicht: (2025)

Non-convergence to the optimal risk for Adam and stochastic gradient descent optimization in the training of deep neural networks
von: Do, Thang, et al.
Veröffentlicht: (2025)

Deep Symmetric Autoencoders from the Eckart-Young-Schmidt Perspective
von: Brivio, Simone, et al.
Veröffentlicht: (2025)

Deep Neural Networks and Finite Elements of Any Order on Arbitrary Dimensions
von: He, Juncai, et al.
Veröffentlicht: (2023)

A Theory of Non-Acyclic Generative Flow Networks
von: Brunswic, Leo Maxime, et al.
Veröffentlicht: (2023)

Advanced Physics-Informed Neural Network with Residuals for Solving Complex Integral Equations
von: Moghaddam, Mahdi Movahedian, et al.
Veröffentlicht: (2025)

Graph-Instructed Neural Networks for Sparse Grid-Based Discontinuity Detectors
von: Della Santa, Francesco, et al.
Veröffentlicht: (2024)

Solving Nonlinear Energy Supply and Demand System Using Physics-Informed Neural Networks
von: Vo, Van Truong, et al.
Veröffentlicht: (2024)

FastLRNR and Sparse Physics Informed Backpropagation
von: Cho, Woojin, et al.
Veröffentlicht: (2024)

Sprecher Networks: A Parameter-Efficient Kolmogorov-Arnold Architecture
von: Hägg, Christian, et al.
Veröffentlicht: (2025)

The Positivity of the Neural Tangent Kernel
von: Carvalho, Luís, et al.
Veröffentlicht: (2024)

Quantitative Approximation Rates for Group Equivariant Learning
von: Siegel, Jonathan W., et al.
Veröffentlicht: (2026)