( en | de | ru )

 

Disambiguierung von "Jentzen, Arnulf"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Algorithmically Designed Artificial Neural Networks (ADANNs): Higher order deep operator learning for parametric partial differential equations.

, , und . CoRR, (2023)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Arnulf Jentzen

Richard Jentzen

Walter Jentzen

Volker Jentzen

Richard Jentzen

 

Weitere Publikationen von Autoren mit dem selben Namen

An overview on deep learning-based approximation methods for partial differential equations., , , und . CoRR, (2020)On the existence of minimizers in shallow residual ReLU neural network optimization landscapes., , und . CoRR, (2023)An Exponential Wagner-Platen Type Scheme for SPDEs., , und . SIAM J. Numer. Anal., 54 (4): 2389-2426 (2016)Lower bounds for artificial neural network approximations: A proof that shallow neural networks fail to overcome the curse of dimensionality., , , und . J. Complex., (August 2023)An Improved Maximum Allowable Transfer Interval for Lp -Stability of Networked Control Systems., , , , und . IEEE Trans. Automat. Contr., 55 (1): 179-184 (2010)Deep learning-based numerical methods for high-dimensional parabolic partial differential equations and backward stochastic differential equations., , und . CoRR, (2017)Overcoming the curse of dimensionality in the numerical approximation of parabolic partial differential equations with gradient-dependent nonlinearities., , und . CoRR, (2019)Convergence rates for the Adam optimizer., und . CoRR, (2024)Non-convergence of Adam and other adaptive stochastic gradient descent optimization methods for non-vanishing learning rates., , und . CoRR, (2024)Overall error analysis for the training of deep neural networks via stochastic gradient descent with random initialisation., und . CoRR, (2020)