Topological measurement of deep neural networks using persistent homology | springerprofessional.de

Springer Professional

nach oben

Annals of Mathematics and Artificial Intelligence

Erschienen in:

Open Access 03.07.2021

Topological measurement of deep neural networks using persistent homology

verfasst von: Satoru Watanabe, Hayato Yamana

Erschienen in: Annals of Mathematics and Artificial Intelligence | Ausgabe 1/2022

Vorheriger Artikel Integrating domain and constraint privacy reasoning in the distributed stochastic algorithm with breakouts

Nächster Artikel VC-dimensions of nondeterministic finite automata for words of equal length

Titel: Topological measurement of deep neural networks using persistent homology
verfasst von: Satoru Watanabe
Hayato Yamana
Publikationsdatum: 03.07.2021
Verlag: Springer International Publishing
Erschienen in: Annals of Mathematics and Artificial Intelligence / Ausgabe 1/2022
Print ISSN: 1012-2443
Elektronische ISSN: 1573-7470
DOI: https://doi.org/10.1007/s10472-021-09761-3

Weitere Formate
Fachgebiete
Bücher
Zeitschriften
Themenseiten
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024