统计学 > 机器学习
[提交于 2025年7月16日
]
标题: 深度神经网络的有限维高斯近似:随机权重中的普遍性
标题: Finite-Dimensional Gaussian Approximation for Deep Neural Networks: Universality in Random Weights
摘要: 我们研究具有随机初始化权重且具有有限阶矩的深度神经网络的有限维分布 (FDD)。 具体而言,我们假设一个 Lipschitz 激活函数,并允许层宽度以任意相对速率增长到无穷大,并在 FDD 与其高斯极限之间建立 Wasserstein-$1$ 范数的高斯近似界。 在所有宽度都与公共尺度参数 $n$ 成比例且存在 $L-1$ 个隐藏层的特殊情况下,对于任何 $\epsilon > 0$,我们获得了阶数为 $n^{-({1}/{6})^{L-1} + \epsilon}$ 的收敛速度。
当前浏览上下文:
stat.ML
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.