Buchumschlag

On the rates of convergence for learning with convolutional neural networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Yunfei, Feng, Han, Zhou, Ding-Xuan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Nonparametric regression using over-parameterized shallow ReLU neural networks
von: Yang, Yunfei, et al.
Veröffentlicht: (2023)

On the VC dimension of deep group convolutional neural networks
von: Sepliarskaia, Anna, et al.
Veröffentlicht: (2024)

On the rate of convergence of an over-parametrized Transformer classifier learned by gradient descent
von: Kohler, Michael, et al.
Veröffentlicht: (2023)

Minimax rates of convergence for nonparametric regression under adversarial attacks
von: Peng, Jingfu, et al.
Veröffentlicht: (2024)

Sliding down the stairs: how correlated latent variables accelerate learning with neural networks
von: Bardone, Lorenzo, et al.
Veröffentlicht: (2024)

Rates of convergence for density estimation with generative adversarial networks
von: Puchkin, Nikita, et al.
Veröffentlicht: (2021)

Gaussian mixture layers for neural networks
von: Chewi, Sinho, et al.
Veröffentlicht: (2025)

Optimal rates of approximation by shallow ReLU$^k$ neural networks and applications to nonparametric regression
von: Yang, Yunfei, et al.
Veröffentlicht: (2023)

Causal inference through multi-stage learning and doubly robust deep neural networks
von: Zhang, Yuqian, et al.
Veröffentlicht: (2024)

Online selective conformal inference: adaptive scores, convergence rate and optimality
von: Humbert, Pierre, et al.
Veröffentlicht: (2025)

Nonlinear spiked covariance matrices and signal propagation in deep neural networks
von: Wang, Zhichao, et al.
Veröffentlicht: (2024)

Improved convergence rate of kNN graph Laplacians: differentiable self-tuned affinity
von: Cheng, Xiuyuan, et al.
Veröffentlicht: (2024)

The twin peaks of learning neural networks
von: Demyanenko, Elizaveta, et al.
Veröffentlicht: (2024)

Posterior and variational inference for deep neural networks with heavy-tailed weights
von: Castillo, Ismaël, et al.
Veröffentlicht: (2024)

How many samples are needed to train a deep neural network?
von: Golestaneh, Pegah, et al.
Veröffentlicht: (2024)

Mind the spikes: Benign overfitting of kernels and neural networks in fixed dimension
von: Haas, Moritz, et al.
Veröffentlicht: (2023)

The loss landscape of deep linear neural networks: a second-order analysis
von: Achour, El Mehdi, et al.
Veröffentlicht: (2021)

Implicit score matching meets denoising score matching: improved rates of convergence and log-density Hessian estimation
von: Yakovlev, Konstantin, et al.
Veröffentlicht: (2025)

Adversarial learning for nonparametric regression: Minimax rate and adaptive estimation
von: Peng, Jingfu, et al.
Veröffentlicht: (2025)

Sharp asymptotic theory for Q-learning with LDTZ learning rate and its generalization
von: Bonnerjee, Soham, et al.
Veröffentlicht: (2026)

Strong identifiability and parameter learning in regression with heterogeneous response
von: Do, Dat, et al.
Veröffentlicht: (2022)

PAC-Bayesian risk bounds for fully connected deep neural network with Gaussian priors
von: Mai, The Tien
Veröffentlicht: (2025)

Super-fast Rates of Convergence for Neural Network Classifiers under the Hard Margin Condition
von: Tepakbong, Nathanael, et al.
Veröffentlicht: (2025)

The surrogate Gibbs-posterior of a corrected stochastic MALA: Towards uncertainty quantification for neural networks
von: Bieringer, Sebastian, et al.
Veröffentlicht: (2023)

On the rate of convergence of an over-parametrized deep neural network regression estimate learned by gradient descent
von: Kohler, Michael
Veröffentlicht: (2025)

Bayes optimal learning in high-dimensional linear regression with network side information
von: Nandy, Sagnik, et al.
Veröffentlicht: (2023)

On the dynamics of convolutional recurrent neural networks near their critical point
von: Chandra, Aditi, et al.
Veröffentlicht: (2024)

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

Precise gradient descent training dynamics for finite-width multi-layer neural networks
von: Han, Qiyang, et al.
Veröffentlicht: (2025)

Eigen-convergence of Gaussian kernelized graph Laplacian by manifold heat interpolation
von: Cheng, Xiuyuan, et al.
Veröffentlicht: (2021)

Predicting path-dependent processes by deep learning
von: Zheng, Xudong, et al.
Veröffentlicht: (2024)

Bi-stochastically normalized graph Laplacian: convergence to manifold Laplacian and robustness to outlier noise
von: Cheng, Xiuyuan, et al.
Veröffentlicht: (2022)

Theoretical Insights into CycleGAN: Analyzing Approximation and Estimation Errors in Unpaired Data Generation
von: Sun, Luwei, et al.
Veröffentlicht: (2024)

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

Bankruptcy analysis using images and convolutional neural networks (CNN)
von: Tavares, Luiz, et al.
Veröffentlicht: (2025)

A Bayesian approach to learning mixtures of nonparametric components
von: Zhang, Yilei, et al.
Veröffentlicht: (2025)

Asymptotic spectrum of weighted sample covariance: another proof of spectrum convergence
von: Oriol, Benoit
Veröffentlicht: (2024)

Optimal generalisation and learning transition in extensive-width shallow neural networks near interpolation
von: Barbier, Jean, et al.
Veröffentlicht: (2025)

Physics-informed kernel learning
von: Doumèche, Nathan, et al.
Veröffentlicht: (2024)

Statistically guided deep learning
von: Kohler, Michael, et al.
Veröffentlicht: (2025)