会员服务
通常，函数逼近问题要求我们从定义明确的类中选择一个函数，该类以特定于任务的方式与目标函数紧密匹配（“近似”）。 在应用数学的许多分支中，特别是在计算机科学中，都出现了函数逼近的需求。 一个人可以区分两类主要的函数逼近问题：首先，对于已知的目标函数，逼近理论是数值分析的分支，它研究如何通过特定的函数类（例如，某些函数）来近似某些已知函数（例如，特殊函数）。 ，多项式或有理函数），这些属性通常具有理想的属性（廉价的计算，连续性，积分和极限值等）。 其次，目标函数g可能是未知的； 而不是显式公式，仅提供（x，g（x））形式的一组点。 取决于g的域和共域的结构，可以采用几种近似g的技术。 例如，如果g是对实数的运算，则可以使用插值，外推，回归分析和曲线拟合的技术。 如果g的共域（范围集或目标集）是一个有限集，那么人们正在处理一个分类问题。 在某种程度上，不同的问题（回归，分类，适应度近似）在统计学习理论中得到了统一的处理，在这些理论中，它们被视为监督学习问题。
Fast and Robust Convergence Rate for TD(0) with Linear Function Approximation, Universal Learning Steps and I.I.D. Samples
Arxiv
0+阅读 · 6月5日
A Robust $\widetilde{\mathcal{O}}(1/\sqrt{T})$ Rate for Unprojected TD Learning with Linear Function Approximation
Arxiv
0+阅读 · 6月7日
Thermodynamic Networks: Harnessing Non-Equilibrium Steady States for Computation
Arxiv
0+阅读 · 5月15日
Variance-Adaptive Optimal Algorithm for Reinforcement Learning with Multinomial Logit Function Approximation
Arxiv
0+阅读 · 5月27日
Accelerating Black-Box Bilevel Optimization with Rank-Based Upper-Level Value Function Approximation
Arxiv
0+阅读 · 4月3日
Approximation of Functions: Optimal Sampling and Complexity
Arxiv
0+阅读 · 4月6日
Large-scale nonlinear optical computing with incoherent light via linear diffractive systems
Arxiv
0+阅读 · 3月31日
End-to-End Efficient RL for Linear Bellman Complete MDPs with Deterministic Transitions
Arxiv
0+阅读 · 3月24日
Convergence of Distributionally Robust Q-Learning with Linear Function Approximation
Arxiv
0+阅读 · 3月16日
Covering Numbers for Deep ReLU Networks with Applications to Function Approximation and Nonparametric Regression
Arxiv
0+阅读 · 3月2日
Statistical Inference for Temporal Difference Learning with Linear Function Approximation
Arxiv
0+阅读 · 2月24日
Strategically Robust Multi-Agent Reinforcement Learning with Linear Function Approximation
Arxiv
0+阅读 · 3月10日
FEKAN: Feature-Enriched Kolmogorov-Arnold Networks
Arxiv
0+阅读 · 2月18日
HLA: Hadamard Linear Attention
Arxiv
0+阅读 · 2月12日
Approximating Matrix Functions with Deep Neural Networks and Transformers
Arxiv
0+阅读 · 2月8日
参考链接
微信扫码咨询专知VIP会员
Top