Fisher Information, Training and Bias in Fourier Regression Models
Cet article étudie comment l'interaction entre la dimension effective d'un modèle et son biais envers une fonction cible influence l'entraînement et la performance des modèles de régression de Fourier et des réseaux de neurones quantiques, démontrant que des dimensions effectives plus élevées bénéficient aux modèles non biaisés tandis que des dimensions plus faibles aident les modèles biaisés.