CONVERGENCE OF THE GENERALIZATION ERROR FOR DEEP GRADIENT FLOW METHODS FOR PDEs
创建于 更新于
摘要
本文证明在合理可验证的假设下，深度梯度流方法（Deep Gradient Flow Methods, DGFMs）求解偏微分方程时的一般化误差可分解为积分（数值积分）、步长离散、近似与训练四部分，并在神经网络宽网络极限及训练时间趋于无穷时，近似误差与训练误差均收敛至0，从而总体一般化误差趋于0 [page::0][page::1][page::12]。
