Some Asymptotic Results for Learning in Single Hidden-Layer Feedforward Network Models
单隐层前馈网络学习的若干渐近结果AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究神经网络的通用估计理论，神经网络并非所列社会网络与干扰方向，示例也不足以确定预测分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
单隐层前馈网络学习的若干渐近结果
- 研究问题
- 单隐层前馈网络的反向传播递归估计在什么条件下收敛并渐近正态，其统计效率能否通过后续估计步骤改善？
- 方法与思路
- 作者将反向传播置于递归 M 估计与随机逼近框架，研究局部期望平方误差极小点附近的收敛、渐近分布和两步估计。
- 材料陈述的贡献
- 摘要称，在估计不发散等条件下给出收敛与渐近正态结果，并提出与非线性最小二乘具有等价效率的两步程序。
- 阅读关注点
- 应核对不发散与局部收敛条件、网络参数化的限制、低效率比较的基准，以及两步程序达到所述效率的要求。
- 阅读边界
- 摘要未列完整条件；结论针对局部极小点且以不发散为前提，不能推断全局最优或一般网络表现。索引摘要版本未注明。
原文摘要
We investigate the properties of a recursive estimation procedure (the method of “back-propagation”) for a class of nonlinear regression models (single hidden-layer feedforward network models) recently developed by cognitive scientists. The results follow from more general results for a class of recursive m estimators, obtained using theorems of Ljung (1977) and Walk (1977) for the method of stochastic approximation. Conditions are given ensuring that the back-propagation estimator converges almost surely to a parameter value that locally minimizes expected squared error loss (provided the estimator does not diverge) and that the back-propagation estimator is asymptotically normal when centered at this minimizer. This estimator is shown to be statistically inefficient, and a two-step procedure that has efficiency equivalent to that of nonlinear least squares is proposed. Practical issues are illustrated by a numerical example involving approximation of the Hénon map.