Buchumschlag

General transformation neural networks: A class of parametrized functions for high-dimensional function approximation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Xiaoyang, Gu, Yiqi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Fredholm integral equations for function approximation and the training of neural networks
von: Gelß, Patrick, et al.
Veröffentlicht: (2023)

Sharp uniform approximation for spectral Barron functions by deep neural networks
von: Liao, Yulei, et al.
Veröffentlicht: (2025)

Deep neural network approximation for high-dimensional parabolic partial integro-differential equations
von: Baranek, Marcin
Veröffentlicht: (2025)

Tensor neural networks for high-dimensional Fokker-Planck equations
von: Wang, Taorui, et al.
Veröffentlicht: (2024)

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

On low-dimensional approximation of function spaces of interior regularity
von: Aziz, S., et al.
Veröffentlicht: (2025)

On the optimal approximation of Sobolev and Besov functions using deep ReLU neural networks
von: Yang, Yunfei
Veröffentlicht: (2024)

Low-rank cross approximation of function-valued tensors for reduced-order modeling of parametric PDEs
von: Budzinskiy, Stanislav, et al.
Veröffentlicht: (2025)

Adaptive quadratures for nonlinear approximation of low-dimensional PDEs using smooth neural networks
von: Magueresse, Alexandre, et al.
Veröffentlicht: (2023)

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

Hyperbolic trigonometric functions as approximation kernels and their properties I: generalised Fourier transforms
von: Buhmann, Martin, et al.
Veröffentlicht: (2025)

Functional tensor train neural network for solving high-dimensional PDEs
von: Feng, Yani, et al.
Veröffentlicht: (2025)

A comparison study of supervised learning techniques for the approximation of high dimensional functions and feedback control
von: Oster, Mathias, et al.
Veröffentlicht: (2024)

Towards a machine learning pipeline in reduced order modelling for inverse problems: neural networks for boundary parametrization, dimensionality reduction and solution manifold approximation
von: Ivagnes, Anna, et al.
Veröffentlicht: (2022)

Learning smooth functions in high dimensions: from sparse polynomials to deep neural networks
von: Adcock, Ben, et al.
Veröffentlicht: (2024)

Weights initialization of neural networks for function approximation
von: Hu, Xinwen, et al.
Veröffentlicht: (2025)

Regularized dynamical parametric approximation
von: Feischl, Michael, et al.
Veröffentlicht: (2024)

ReLU neural network approximation to piecewise constant functions
von: Cai, Zhiqiang, et al.
Veröffentlicht: (2024)

Error estimates of physics-informed neural networks for approximating Boltzmann equation
von: Abdo, Elie, et al.
Veröffentlicht: (2024)

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)

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

A new variable shape parameter strategy for RBF approximation using neural networks
von: Mojarrad, Fatemeh Nassajian, et al.
Veröffentlicht: (2022)

On the approximation of vector-valued functions by volume sampling
von: Kressner, Daniel, et al.
Veröffentlicht: (2023)

Solving high-dimensional Hamilton-Jacobi-Bellman equation with functional hierarchical tensor
von: Tang, Xun, et al.
Veröffentlicht: (2024)

Global approximation to the Boys functions for vectorized computation
von: Laikov, Dimitri N.
Veröffentlicht: (2025)

Extended Galerkin neural network approximation of singular variational problems with error control
von: Ainsworth, Mark, et al.
Veröffentlicht: (2024)

Point spread function approximation of high rank Hessians with locally supported non-negative integral kernels
von: Alger, Nick, et al.
Veröffentlicht: (2023)

Spectral coefficient learning physics informed neural network for time-dependent fractional parametric differential problems
von: Sivalingam, S M, et al.
Veröffentlicht: (2025)

Variable Transformations in combination with Wavelets and ANOVA for high-dimensional approximation
von: Potts, Daniel, et al.
Veröffentlicht: (2022)

On the recovery of two function-valued coefficients in the Helmholtz equation for inverse scattering problems via neural networks
von: Zhou, Zehui
Veröffentlicht: (2024)

DPG loss functions for learning parameter-to-solution maps by neural networks
von: Castillo, Pablo Cortés, et al.
Veröffentlicht: (2025)

A function approximation algorithm using multilevel active subspaces
von: Nobile, Fabio, et al.
Veröffentlicht: (2025)

Estimation of the input-to-state stability gain functions from finite-dimensional approximations
von: Hillebrecht, Birgit, et al.
Veröffentlicht: (2026)

Numerical study on hyper parameter settings for neural network approximation to partial differential equations
von: Yang, Hee Jun, et al.
Veröffentlicht: (2025)

Estimation of sparse polynomial approximation error to continuous function
von: Feng, Renzhong, et al.
Veröffentlicht: (2025)

$C^{\infty}$ rational approximation and quasi-histopolation of functions with jumps through multinode Shepard functions
von: Dell'Accio, Francesco, et al.
Veröffentlicht: (2025)

Lower bounds for piecewise polynomial approximations of oscillatory functions
von: Galkowski, Jeffrey
Veröffentlicht: (2022)

Flexible rational approximation and its application for matrix functions
von: Sharon, Nir, et al.
Veröffentlicht: (2021)

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)