Bi-Lipschitz Ansatz for Anti-Symmetric Functions
Dieses Paper führt zwei neuartige, kontinuierliche und recheneffiziente antisymmetrische neuronale Netzwerk-Ansätze auf Basis von bi-Lipschitz-Einbettungen und Frame-Averaging ein, die universelle Approximation mit polynomialer Komplexität erreichen und quantitative Schranken für die Parameteranforderungen beim Lernen antisymmetrischer Funktionen bereitstellen.