Key points are not available for this paper at this time.
O problema da complexidade necessária das redes neurais é de interesse em aplicações. Neste artigo, são consideradas a capacidade de aprendizado e a capacidade de armazenamento de redes neurais feedforward. Melhoramos notavelmente os resultados recentes ao introduzir a modularidade das redes neurais de forma lógica. Este artigo prova rigorosamente, de maneira construtiva, que redes feedforward com duas camadas ocultas (TLFNs) com 2/√(m+2)N (N < /N) neurônios ocultos podem aprender quaisquer N amostras distintas (x/sub i/, t/sub i/) com qualquer erro arbitrariamente pequeno, onde m é o número necessário de neurônios de saída. Isso implica que o número necessário de neurônios ocultos em redes feedforward pode ser significativamente reduzido, em comparação com resultados anteriores. Por outro lado, um TLFN com Q neurônios ocultos pode armazenar pelo menos Q²/4(m+2) quaisquer dados distintos (x/sub i/, t/sub i/) com a precisão desejada.
Guang-Bin Huang (Sat,) estudou esta questão.