Buchumschlag

Approximation of Permutation Invariant Polynomials by Transformers: Efficient Construction in Column-Size

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Takeshita, Naoki, Imaizumi, Masaaki
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Functional Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Orthogonal Polynomials Approximation Algorithm (OPAA):a functional analytic approach to estimating probability densities
von: Bialokozowicz, Lilian W.
Veröffentlicht: (2022)

Prompting a Pretrained Transformer Can Be a Universal Approximator
von: Petrov, Aleksandar, et al.
Veröffentlicht: (2024)

Approximation by Steklov Neural Network Operators
von: Karaman, S. N., et al.
Veröffentlicht: (2024)

Constructive Approximation under Carleman's Condition, with Applications to Smoothed Analysis
von: Koehler, Frederic, et al.
Veröffentlicht: (2025)

Construction of generalized samplets in Banach spaces
von: Balazs, Peter, et al.
Veröffentlicht: (2024)

Any-Dimensional Invariant Universality
von: Yao, Shengtai, et al.
Veröffentlicht: (2026)

Quantitative Sobolev Approximation Bounds for Neural Operators with Empirical Validation on Burgers Equation
von: Hao, Nicole
Veröffentlicht: (2026)

On Rank-Dependent Generalisation Error Bounds for Transformers
von: Truong, Lan V.
Veröffentlicht: (2024)

Finite-Sample Inference for Sparsely Permuted Linear Regression
von: Ota, Hirofumi, et al.
Veröffentlicht: (2026)

Langevin Monte-Carlo Provably Learns Depth Two Neural Nets at Any Size and Data
von: Kumar, Dibyakanti, et al.
Veröffentlicht: (2025)

Upper Approximation Bounds for Neural Oscillators
von: Huang, Zifeng, et al.
Veröffentlicht: (2025)

Approximation analysis of CNNs from a feature extraction view
von: Li, Jianfei, et al.
Veröffentlicht: (2022)

A Kernel-based Stochastic Approximation Framework for Nonlinear Operator Learning
von: Yang, Jia-Qi, et al.
Veröffentlicht: (2025)

Bridging Smoothness and Approximation: Theoretical Insights into Over-Smoothing in Graph Neural Networks
von: Yang, Guangrui, et al.
Veröffentlicht: (2024)

Dichotomy of Feature Learning and Unlearning: Fast-Slow Analysis on Neural Networks with Stochastic Gradient Descent
von: Imai, Shota, et al.
Veröffentlicht: (2026)

An Interpretable Approach to Load Profile Forecasting in Power Grids using Galerkin-Approximated Koopman Pseudospectra
von: Tavasoli, Ali, et al.
Veröffentlicht: (2023)

Quantitative Bounds for Sorting-Based Permutation-Invariant Embeddings
von: Dym, Nadav, et al.
Veröffentlicht: (2025)

Universal Approximation Theorem for Input-Connected Multilayer Perceptrons
von: Ismailov, Vugar
Veröffentlicht: (2026)

Universal Approximation of Nonlinear Operators and Their Derivatives
von: de Feo, Filippo
Veröffentlicht: (2026)

Approximation Rates in Besov Norms and Sample-Complexity of Kolmogorov-Arnold Networks with Residual Connections
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2025)

Universal Approximation of Continuous Functionals on Compact Subsets via Linear Measurements and Scalar Nonlinearities
von: Krylov, Andrey, et al.
Veröffentlicht: (2026)

Spectrum-Adaptive Generalization Bounds for Trained Deep Transformers
von: Sakai, Mana, et al.
Veröffentlicht: (2026)

Zero Generalization Error Theorem for Random Interpolators via Algebraic Geometry
von: Yoshida, Naoki, et al.
Veröffentlicht: (2025)

Effect of Random Learning Rate: Theoretical Analysis of SGD Dynamics in Non-Convex Optimization via Stationary Distribution
von: Yoshida, Naoki, et al.
Veröffentlicht: (2024)

Theory-to-Practice Gap for Neural Networks and Neural Operators
von: Grohs, Philipp, et al.
Veröffentlicht: (2025)

Rough kernel hedging
von: Cirone, Nicola Muca, et al.
Veröffentlicht: (2025)

On shallow feedforward neural networks with inputs from a topological space
von: Ismailov, Vugar
Veröffentlicht: (2025)

Convergence Analysis of Max-Min Exponential Neural Network Operators in Orlicz Space
von: Pradhan, Satyaranjan, et al.
Veröffentlicht: (2025)

A Fractional Fox H-Function Kernel for Support Vector Machines: Robust Classification via Weighted Transmutation Operators
von: Dorrego, Gustavo
Veröffentlicht: (2026)

Do stable neural networks exist for classification problems? -- A new view on stability in AI
von: Liu, Z. N. D., et al.
Veröffentlicht: (2024)

Universal approximation with complex-valued deep narrow neural networks
von: Geuchen, Paul, et al.
Veröffentlicht: (2023)

A unified Fourier slice method to derive ridgelet transform for a variety of depth-2 neural networks
von: Sonoda, Sho, et al.
Veröffentlicht: (2024)

Sparse Representer Theorems for Learning in Reproducing Kernel Banach Spaces
von: Wang, Rui, et al.
Veröffentlicht: (2023)

Noisy Data Visualization using Functional Data Analysis
von: Chen, Haozhe, et al.
Veröffentlicht: (2024)

Spherical Analysis of Learning Nonlinear Functionals
von: Yang, Zhenyu, et al.
Veröffentlicht: (2024)

Hypothesis Spaces for Deep Learning
von: Wang, Rui, et al.
Veröffentlicht: (2024)

Neural reproducing kernel Banach spaces and representer theorems for deep networks
von: Bartolucci, Francesca, et al.
Veröffentlicht: (2024)

Neural networks in non-metric spaces
von: Galimberti, Luca
Veröffentlicht: (2024)

Horizon Activation Mapping for Neural Networks in Time Series Forecasting
von: Hans, Krupakar, et al.
Veröffentlicht: (2026)

Controlled Learning of Pointwise Nonlinearities in Neural-Network-Like Architectures
von: Unser, Michael, et al.
Veröffentlicht: (2024)