Buchumschlag

Universal approximation property of Banach space-valued random feature models including random neural networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Neufeld, Ariel, Schmocker, Philipp
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Solving stochastic partial differential equations using neural networks in the Wiener chaos expansion
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Full error analysis of the random deep splitting method for nonlinear parabolic PDEs and PIDEs
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Chaotic Hedging with Iterated Integrals and Neural Networks
von: Neufeld, Ariel, et al.
Veröffentlicht: (2022)

Universal approximation results for neural networks with non-polynomial activation function over non-compact domains
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Multilevel Picard approximations and deep neural networks with ReLU, leaky ReLU, and softplus activation overcome the curse of dimensionality when approximating semilinear parabolic partial differential equations in $L^p$-sense
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Multilevel Picard approximations for McKean-Vlasov stochastic differential equations with nonconstant diffusion
von: Neufeld, Ariel, et al.
Veröffentlicht: (2025)

Gaussian random field approximation via Stein's method with applications to wide random neural networks
von: Balasubramanian, Krishnakumar, et al.
Veröffentlicht: (2023)

Approximation rates of quantum neural networks for periodic functions via Jackson's inequality
von: Neufeld, Ariel, et al.
Veröffentlicht: (2025)

Distributionally robust approximation property of neural networks
von: Ceylan, Mihriban, et al.
Veröffentlicht: (2025)

On the quality of randomized approximations of Tukey's depth
von: Briend, Simon, et al.
Veröffentlicht: (2023)

Non-asymptotic convergence analysis of the stochastic gradient Hamiltonian Monte Carlo algorithm with discontinuous stochastic gradient with applications to training of ReLU neural networks
von: Liang, Luxu, et al.
Veröffentlicht: (2024)

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

Accuracy estimation of neural networks by extreme value theory
von: Junike, Gero, et al.
Veröffentlicht: (2025)

Generative Neural Operators of Log-Complexity Can Simultaneously Solve Infinitely Many Convex Programs
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2025)

Global universal approximation of functional input maps on weighted spaces
von: Cuchiero, Christa, et al.
Veröffentlicht: (2023)

Non-asymptotic estimates for accelerated high order Langevin Monte Carlo algorithms
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

From Monte Carlo to neural networks approximations of boundary value problems
von: Beznea, Lucian, et al.
Veröffentlicht: (2022)

Rectified deep neural networks overcome the curse of dimensionality in the numerical approximation of gradient-dependent semilinear heat equations
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Robust $Q$-learning Algorithm for Markov Decision Processes under Wasserstein Uncertainty
von: Neufeld, Ariel, et al.
Veröffentlicht: (2022)

Multi-layer random features and the approximation power of neural networks
von: Takhanov, Rustem
Veröffentlicht: (2024)

Genus expansion for non-linear random matrix ensembles with applications to neural networks
von: Cirone, Nicola Muca, et al.
Veröffentlicht: (2024)

Precise asymptotic analysis of Sobolev training for random feature models
von: Fisher, Katharine E, et al.
Veröffentlicht: (2025)

Rectified deep neural networks overcome the curse of dimensionality when approximating solutions of McKean--Vlasov stochastic differential equations
von: Neufeld, Ariel, et al.
Veröffentlicht: (2023)

Learning dynamical systems with hit-and-run random feature maps
von: Mandal, Pinak, et al.
Veröffentlicht: (2025)

On the choice of the non-trainable internal weights in random feature maps
von: Mandal, Pinak, et al.
Veröffentlicht: (2024)

Holographic functions and neural networks
von: Szegedy, Balazs
Veröffentlicht: (2026)

Large deviation principles for convolutional Bayesian neural networks
von: Bassetti, Federico, et al.
Veröffentlicht: (2026)

Stably unactivated neurons in ReLU neural networks
von: Brownlowe, Natalie, et al.
Veröffentlicht: (2024)

High-dimensional ridge regression with random features for non-identically distributed data with a variance profile
von: Dabo, Issa-Mbenard, et al.
Veröffentlicht: (2025)

Large-width functional asymptotics for deep Gaussian neural networks
von: Bracale, Daniele, et al.
Veröffentlicht: (2021)

Efficient reconstruction of multidimensional random field models with heterogeneous data using stochastic neural networks
von: Xia, Mingtao, et al.
Veröffentlicht: (2025)

Deep ReLU neural networks overcome the curse of dimensionality when approximating semilinear partial integro-differential equations
von: Neufeld, Ariel, et al.
Veröffentlicht: (2023)

Upper and lower bounds for the Lipschitz constant of random neural networks
von: Geuchen, Paul, et al.
Veröffentlicht: (2023)

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

A simple algorithm for output range analysis for deep neural networks
von: Rojas, Helder, et al.
Veröffentlicht: (2024)

Student-t processes as infinite-width limits of posterior Bayesian neural networks
von: Caporali, Francesco, et al.
Veröffentlicht: (2025)

Quantitative convergence of trained single layer neural networks to Gaussian processes
von: Mosig, Eloy, et al.
Veröffentlicht: (2025)

node2vec or triangle-biased random walks: stationarity, regularity & recurrence
von: Avena, Luca, et al.
Veröffentlicht: (2026)

Approximation and interpolation of deep neural networks
von: Constantinescu, Vlad-Raul, et al.
Veröffentlicht: (2023)

Approximation of group explainers with coalition structure using Monte Carlo sampling on the product space of coalitions and features
von: Kotsiopoulos, Konstandinos, et al.
Veröffentlicht: (2023)