Generalization Guarantees for Multi-Input Neural Operator Learning in Sobolev Spaces

En 3 lignesAnalyse théorique des garanties de généralisation pour les opérateurs neuronaux multi-entrées avec erreur mesurée en normes de Sobolev. Le cadre traite plusieurs fonctions d'entrée sur domaines différents avec dimensions et régularités variables. Les taux d'approximation et de généralisation quantifient explicitement la contribution de chaque espace d'entrée.

Résumé généré par Claude — vérifié par l'humain