Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Sur l'approximation polynomiale profonde pondérée uniforme

Created by
  • Haebom

Auteur

Kingsley Yeon, Steven B. Damelin

Contour

Dans cet article, nous proposons et analysons un approximateur polynomial profond pondéré pour approximer efficacement les fonctions asymétriques (croissantes à l'infini dans un sens et décroissantes dans l'autre). Étant donné que les approximations conventionnelles de fonctions rationnelles présentent une vitesse de convergence exponentielle pour certaines fonctions non lisses ou singulières, tandis que les approximations polynomiales ne présentent qu'une vitesse de convergence algébrique, nous utilisons un polynôme profond pondéré pour capturer simultanément la non-lissage local et la croissance globale. Les résultats expérimentaux montrent que la méthode proposée surpasse les approximateurs de Taylor, de Tchebychev et les approximateurs polynomiaux profonds généraux avec le même nombre de paramètres. Pour une stratégie de paramétrisation stable, nous utilisons une stratégie basée sur les graphes.

Takeaways, Limitations

Takeaways: Une méthode efficace d'approximation des fonctions asymétriques basée sur l'apprentissage profond est présentée. Ses performances supérieures à celles des méthodes existantes sont vérifiées expérimentalement. Une stratégie de paramétrisation stable est présentée.
Limitations: Actuellement, l'analyse repose sur des résultats expérimentaux et manque d'analyse théorique. Des recherches supplémentaires sur les performances de généralisation pour différents types de fonctions asymétriques sont nécessaires. Il manque des indications claires sur le choix optimal de la fonction de pondération proposée.
👍