Bi-Lipschitz Ansatz for Anti-Symmetric Functions
Dit artikel introduceert twee nieuwe, continue en computationeel efficiënte antisymmetrische neurale netwerk-ansatzes gebaseerd op bi-Lipschitz-embeddings en frame-averaging die universele benadering bereiken met polynomiale complexiteit en kwantitatieve grenzen bieden voor de vereiste parameters voor het leren van antisymmetrische functies.