Buchumschlag

On finite-dimensional encoding/decoding theorems for neural operators

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Oliveira, Vinícius Luz, Pestov, Vladimir G.
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Functional Analysis Machine Learning 68T07, 41A65
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

New universal operator approximation theorem for encoder-decoder architectures (Preprint)
von: Gödeke, Janek, et al.
Veröffentlicht: (2025)

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

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

Interpolation and inverse problems in spectral Barron spaces
von: Lu, Shuai, et al.
Veröffentlicht: (2025)

Equidistribution-based training of Free Knot Splines and ReLU Neural Networks
von: Appella, Simone, et al.
Veröffentlicht: (2024)

Minimum Width of Leaky-ReLU Neural Networks for Uniform Universal Approximation
von: Li, Li'ang, et al.
Veröffentlicht: (2023)

Vanilla Feedforward Neural Networks as a Discretization of Dynamical Systems
von: Duan, Yifei, et al.
Veröffentlicht: (2022)

Neural Flow Operators can Approximate any Operator: Abstract Frameworks and Universal Approximations
von: Chen, Shuang, et al.
Veröffentlicht: (2026)

SUPN: Shallow Universal Polynomial Networks
von: Morrow, Zachary, et al.
Veröffentlicht: (2025)

A Low Rank Neural Representation of Entropy Solutions
von: Rim, Donsub, et al.
Veröffentlicht: (2024)

RandONet: Shallow-Networks with Random Projections for learning linear and nonlinear operators
von: Fabiani, Gianluca, et al.
Veröffentlicht: (2024)

On best approximation by multivariate ridge functions with applications to generalized translation networks
von: Geuchen, Paul, et al.
Veröffentlicht: (2024)

Approximation and Gradient Descent Training with Neural Networks
von: Welper, G.
Veröffentlicht: (2024)

Time-Frequency Analysis for Neural Networks
von: Abdeljawad, Ahmed, et al.
Veröffentlicht: (2025)

Discretization Error of Fourier Neural Operators
von: Lanthaler, Samuel, et al.
Veröffentlicht: (2024)

Amenability of finite energy path and loop groups
von: Pestov, Vladimir G.
Veröffentlicht: (2023)

Structure-Preserving Reconstruction of Convex Lipschitz Functionals on Hilbert Spaces from Finite Samples
von: Kratsios, Anastasis
Veröffentlicht: (2026)

Neural empirical interpolation method for nonlinear model reduction
von: Hirsch, Max, et al.
Veröffentlicht: (2024)

Improving Matrix Exponential for Generative AI Flows: A Taylor-Based Approach Beyond Paterson--Stockmeyer
von: Sastre, Jorge, et al.
Veröffentlicht: (2025)

Derivative-Informed Fourier Neural Operator: Universal Approximation and Applications to PDE-Constrained Optimization
von: Yao, Boyuan, et al.
Veröffentlicht: (2025)

A Class of Random-Kernel Network Models
von: Tian, James
Veröffentlicht: (2025)

A theoretical analysis on the inversion of matrices via Neural Networks designed with Strassen algorithm
von: Romera, Gonzalo, et al.
Veröffentlicht: (2025)

Approximation Theory of Tree Tensor Networks: Tensorized Multivariate Functions
von: Ali, Mazen, et al.
Veröffentlicht: (2021)

Approximation Theory of Tree Tensor Networks: Tensorized Univariate Functions -- Part I
von: Ali, Mazen, et al.
Veröffentlicht: (2020)

Approximation Theory of Tree Tensor Networks: Tensorized Univariate Functions -- Part II
von: Ali, Mazen, et al.
Veröffentlicht: (2020)

Simultaneous CNN Approximation on Manifolds with Applications to Boundary Value Problems
von: Zhou, Hanfei, et al.
Veröffentlicht: (2026)

Multilevel Training for Kolmogorov Arnold Networks
von: Southworth, Ben S., et al.
Veröffentlicht: (2026)

PODNO: Proper Orthogonal Decomposition Neural Operators
von: Cheng, Zilan, et al.
Veröffentlicht: (2025)

Bridging the Gap Between Approximation and Learning via Optimal Approximation by ReLU MLPs of Maximal Regularity
von: Hong, Ruiyang, et al.
Veröffentlicht: (2024)

Adaptive Randomized Neural Networks with Locally Activation Function: Theory and Algorithm for Solving PDEs
von: Bi, Ran, et al.
Veröffentlicht: (2026)

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

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

Enforcing boundary conditions for physics-informed neural operators
von: Göschel, Niklas, et al.
Veröffentlicht: (2025)

Exact ReLU realization of tensor-product refinement iterates
von: Gantumur, Tsogtgerel
Veröffentlicht: (2026)

Hyperbolic trigonometric functions as approximation kernels and their properties II: Wavelets
von: Buhmann, M., et al.
Veröffentlicht: (2025)

Universal approximation property of neural stochastic differential equations
von: Kwossek, Anna P., et al.
Veröffentlicht: (2025)

Universal approximation property of ODENet and ResNet with a single activation function
von: Kimura, Masato, et al.
Veröffentlicht: (2024)

Approximation bounds for norm constrained deep neural networks
von: Maiale, Francesco Paolo, et al.
Veröffentlicht: (2025)

Universal approximation theorem for neural networks with inputs from a topological vector space
von: Ismailov, Vugar
Veröffentlicht: (2024)

A universal approximation theorem and its applications to vector lattice theory
von: Bilokopytov, Eugene, et al.
Veröffentlicht: (2025)