×
全Huu Do;Binh T.Nguyen先生;何林思栋

依赖数据的深度神经网络的泛化界。 （英语） Zbl 07850504号

统计概率。莱特。 208，文章ID 110060，第7页（2024）.
摘要：深度神经网络的现有泛化界要求数据是独立的、同分布的（iid）。这种假设在进化生物学、传染病流行病学和股价预测等实际应用中可能不成立。本文建立了非平稳（varphi）混合数据前馈神经网络的泛化界。

MSC公司：

68T07型 人工神经网络与深度学习
62H30型 分类和区分；聚类分析（统计方面）

关键词：

神经网络;泛化界;非平稳过程;混合随机过程
PDF格式BibTeX公司 XML格式引用
\textit{Quan Huu Do}等人，统计概率。莱特。208，文章编号110060，第7页（2024；Zbl 07850504）
全文： 内政部 arXiv公司

参考文献：

[1] 从非iid数据中学习：一对所有多类插件分类器的快速率，计算模型的理论与应用：第12届年会，TAMC 2015，新加坡，2015年5月18日至20日，Proceedings 12，375-3872015，Springer·Zbl 1459.68169号
[2] 在线算法对相关数据的泛化能力，IEEE Trans。通知。理论，591573-5872012·Zbl 1364.68372号
[3] 金融深度学习：深度投资组合，应用。斯托克。模型总线。印度，2017年第33、1、3-12页·Zbl 1420.91415号
[4] 小变量函数和时间相关数据的自适应群套索神经网络模型，Sampl。理论，信号处理。，数据分析。，21, 2, 28, 2023 ·Zbl 1520.65007号
[5] 具有弱相依观测值的最小复杂度回归估计，IEEE Trans。通知。理论，42,62133-21451996·Zbl 0868.62015年
[6] 具有层次自相关的渐近理论：Ornstein-Uhlenbeck树模型，Ann.Statist。，41, 2, 957-981, 2013 ·Zbl 1267.62092号
[7] 传染病离散观测随机区隔模型的直接似然推理，Ann.Appl。统计，1993-2021年12月3日，2018年·Zbl 1405.62177号
[8] 基于V几何遍历Markov数据的分批加权平均算法的推广与鲁棒性，（2013，Springer），264-278·兹比尔1406.68095
[9] 平均分类器的泛化边界，Ann.Statist。，32, 4, 1698-1722, 2004 ·Zbl 1045.62056号
[10] 具有离群值的弱相关数据多项式系数的恢复保证，J.近似理论，259，第105472页，2020年·Zbl 1451.41013号
[11] 搜索最小最优神经网络，Statist。普罗巴伯。莱特。，183，第109353条，第2022页·Zbl 1480.62149号
[12] 稳态（varphi）混合和（beta）混合过程的稳定性界，J.Mach。学习。2010年第11、2号决议·Zbl 1242.68238号
[13] 非平稳混合过程的广义界，马赫数。学习。，106, 1, 93-117, 2017 ·Zbl 1412.68186号
[14] 具有外生协变量的离散值时间序列的强混合性质，随机过程。申请。，160, 294-317, 2023 ·Zbl 07686798号
[15] 强混合观测下ERM算法的泛化性能，马赫数。学习。，75, 3, 275-295, 2009 ·Zbl 1470.68214号
[16] 带相关观测的非线性回归，计量经济学，143-1611984·兹比尔0533.62055
[17] 注意力就是你所需要的，（2017）
[18] 神经网络的大小无关样本复杂性，（2018，PMLR），297-299
[19] 用于机器学习研究的手写数字图像mnist数据库，IEEE信号处理。2012年5月29日、6日、141-142日
[20] 神经网络的谱正常化边际界限（2017年）
[21] 通过凸分析的广义边界，（2022，PMLR），3524-3546
[22] 利用深度卷积神经网络进行Imagenet分类，（2012年）
[23] 《医疗保健深度学习指南》，《国家医学》，2019年第25、1、24-29页
[24] 分析深度神经网络的一致特征选择，高级神经信息处理。系统。，33, 2420-2431, 2020
[25] Imagenet：大型分层图像数据库，（2009，Ieee），248-255
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。