应对高频挑战：从浅层到多层神经网络

Abstract:   本报告探讨浅层神经网络在处理高频问题时的局限性，并提出一种基于多层多分量神经网络（MMNN）架构的新颖解决方案。我们展示了浅层网络表现得如同低通滤波器，在处理高频分量时受到机器精度限制和学习动态缓慢的影响。MMNN 架构通过高效地分解复杂函数，克服了上述障碍，在精度和计算效率上都取得了显著提升。数值实验验证了该方法在捕捉振荡函数细节方面的有效性。

CV:   张仕俊现任香港理工大学应用数学系 助理教授。此前，他曾在杜克大学担任 Phillip Griffiths 助理研究教授。他于2016年获得武汉大学 数学学士学位，并于2021年1月在 新加坡国立大学 取得博士学位。他的研究主要聚焦于深度神经网络的理论基础，尤其是在函数逼近理论方面。