Buchumschlag

Universality of shallow and deep neural networks on non-Euclidean spaces

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Ismailov, Vugar
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	General Topology Machine Learning Neural and Evolutionary Computing Functional Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Necessary and sufficient conditions for universality of Kolmogorov-Arnold networks
von: Ismailov, Vugar
Veröffentlicht: (2026)

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

Topological DeepONets and a generalization of the Chen-Chen operator approximation theorem
von: Ismailov, Vugar
Veröffentlicht: (2026)

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

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

Addressing common misinterpretations of KART and UAT in neural network literature
von: Ismailov, Vugar
Veröffentlicht: (2024)

Non-Euclidean Self-Organizing Maps
von: Celińska-Kopczyńska, Dorota, et al.
Veröffentlicht: (2021)

A third-order finite difference weighted essentially non-oscillatory scheme with shallow neural network
von: Park, Kwanghyuk, et al.
Veröffentlicht: (2024)

New advances in universal approximation with neural networks of minimal width
von: Rochau, Dennis, et al.
Veröffentlicht: (2024)

Stable Learning Using Spiking Neural Networks Equipped With Affine Encoders and Decoders
von: Neuman, A. Martina, et al.
Veröffentlicht: (2024)

A fast and accurate physics-informed neural network reduced order model with shallow masked autoencoder
von: Kim, Youngkyu, et al.
Veröffentlicht: (2020)

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

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

Designing deep neural networks for driver intention recognition
von: Vellenga, Koen, et al.
Veröffentlicht: (2024)

Improved weight initialization for deep and narrow feedforward neural network
von: Lee, Hyunwoo, et al.
Veröffentlicht: (2023)

Universality of reservoir systems with recurrent neural networks
von: Yasumoto, Hiroki, et al.
Veröffentlicht: (2024)

Universality and approximation bounds for echo state networks with random weights
von: Li, Zhen, et al.
Veröffentlicht: (2022)

Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm
von: Shahab, Muhammad Luthfi, et al.
Veröffentlicht: (2026)

Iteration over event space in time-to-first-spike spiking neural networks for Twitter bot classification
von: Pabian, Mateusz, et al.
Veröffentlicht: (2024)

Splitting physics-informed neural networks for inferring the dynamics of integer- and fractional-order neuron models
von: Shekarpaz, Simin, et al.
Veröffentlicht: (2023)

An algorithmic framework for the optimization of deep neural networks architectures and hyperparameters
von: Keisler, Julie, et al.
Veröffentlicht: (2023)

Gated recurrent neural networks discover attention
von: Zucchet, Nicolas, et al.
Veröffentlicht: (2023)

Learning fast changing slow in spiking neural networks
von: Capone, Cristiano, et al.
Veröffentlicht: (2024)

Learning richness modulates equality reasoning in neural networks
von: Tong, William L., et al.
Veröffentlicht: (2025)

Investigating the generative dynamics of energy-based neural networks
von: Tausani, Lorenzo, et al.
Veröffentlicht: (2023)

A developmental approach for training deep belief networks
von: Zambra, Matteo, et al.
Veröffentlicht: (2022)

From Frege to chatGPT: Compositionality in language, cognition, and deep neural networks
von: Russin, Jacob, et al.
Veröffentlicht: (2024)

Three factor delay learning rules for spiking neural networks
von: Vassallo, Luke, et al.
Veröffentlicht: (2026)

Spike-based computation using classical recurrent neural networks
von: De Geeter, Florent, et al.
Veröffentlicht: (2023)

Hypercomplex neural network in time series forecasting of stock data
von: Kycia, Radosław, et al.
Veröffentlicht: (2024)

Flexible inference for animal learning rules using neural networks
von: Liu, Yuhan Helena, et al.
Veröffentlicht: (2025)

Optimal feature rescaling in machine learning based on neural networks
von: Vitrò, Federico Maria, et al.
Veröffentlicht: (2024)

Application-oriented automatic hyperparameter optimization for spiking neural network prototyping
von: Fra, Vittorio
Veröffentlicht: (2025)

Fast gradient-free activation maximization for neurons in spiking neural networks
von: Pospelov, Nikita, et al.
Veröffentlicht: (2023)

A rationale from frequency perspective for grokking in training neural network
von: Zhou, Zhangchen, et al.
Veröffentlicht: (2024)

Gradient-based inference of abstract task representations for generalization in neural networks
von: Hummos, Ali, et al.
Veröffentlicht: (2024)

Prototype-based interpretation of the functionality of neurons in winner-take-all neural networks
von: Sabzevar, Ramin Zarei, et al.
Veröffentlicht: (2020)

Why "classic" Transformers are shallow and how to make them go deep
von: Yu, Yueyao, et al.
Veröffentlicht: (2023)

Is In-Context Universality Enough? MLPs are Also Universal In-Context
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2025)

Unification of popular artificial neural network activation functions
von: Mostafanejad, Mohammad
Veröffentlicht: (2023)