यह कार्य a posteriori त्रुटि अनुमान पर आधारित गहराई के साथ न्यूरल नेटवर्क संरचना को अनुकूलित करने के लिए एक नवीन दृष्टिकोण प्रस्तुत करता है। न्यूरल नेटवर्क प्रशिक्षण को एक सतत-समय अनुकूल नियंत्रण समस्या के रूप में सूत्रबद्ध करके, लेखकों ने कठोर त्रुटि अनुमान व्युत्पन्न किए जो यह मात्रात्मक रूप से बताते हैं कि सन्निकटन त्रुटि नेटवर्क परतों में कैसे वितरित होती है।
- अधिकतम अनुमानित त्रुटि के स्थानों पर नई परतें डाली जाती हैं जटिल, अरेखीय परिवर्तनों को पकड़ने के लिए।
- फ्रेमवर्क वजन और बायस को परतों में बदलते हुए खंडशः रैखिक फलनों के रूप में मानता है।
- कार्यात्मक त्रुटि पर गणना योग्य ऊपरी सीमाएँ व्युत्पन्न करने के लिए परिमित तत्व विश्लेषण से द्वैत भारित अवशेष विधि का उपयोग किया जाता है।
- स्पष्ट त्रुटि सीमाएं कुल सन्निकटन त्रुटि को अंतराल-वार योगदान में विघटित करती हैं लक्षित परिष्करण के लिए।
- इस विधि को वैज्ञानिक डेटासेट पर प्रदर्शित किया गया, जिसमें Navier-Stokes समीकरण के लिए observable-to-parameter मैप का सीखना शामिल है।
संख्यात्मक परिणाम बताते हैं कि सामान्यीकरण प्रदर्शन के संदर्भ में यह दृष्टिकोण मौजूदा संरचना अनुकूलन विधियों की तुलना में लगातार बेहतर प्रदर्शन करता है।