| Identifikační kód |
RIV/67985807:_____/20:00521198 |
| Název v anglickém jazyce |
Limitations of Shallow Networks |
| Druh |
C - Kapitola resp. kapitoly v odborné knize |
| Jazyk |
eng - angličtina |
| Vědní obor |
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) |
| Rok uplatnění |
2020 |
| Kód důvěrnosti údajů |
S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů. |
| Počet výskytů výsledku |
2 |
| Počet tvůrců celkem |
1 |
| Počet domácích tvůrců |
1 |
| Výčet všech uvedených jednotlivých tvůrců |
Věra Kůrková (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 9769439, orcid: 0000-0002-8181-2128, scopusid: 35588592800, researcherid: J-8115-2012) |
| Popis výsledku v anglickém jazyce |
Although originally biologically inspired neural networks were introduced as multilayer computational models, shallow networks have been dominant in applications till the recent renewal of interest in deep architectures. Experimental evidence and successfull application of deep networks pose theoretical questions asking: When and why are deep networks better than shallow ones? This chapter presents some probabilistic and constructive results on limitations of shallow networks. It shows implications of geometrical properties of high-dimensional spaces for probabilistic lower bounds on network complexity. The bounds depend on covering numbers of dictionaries of computational units and sizes of domains of functions to be computed. Probabilistic results are complemented by constructive ones built using Hadamard matrices and pseudo-noise sequences. |
| Klíčová slova oddělená středníkem |
shallow and deep networks;model complexity;probabilistic lower bounds |
| Stránka www, na které se nachází výsledek |
- |
| DOI výsledku |
https://doi.org/10.1007/978-3-030-43883-8_6 |
| Odkaz na údaje z výzkumu |
- |