Karya ini menyajikan pendekatan baru untuk menyesuaikan arsitektur jaringan saraf sepanjang kedalaman berdasarkan estimasi kesalahan a posteriori. Dengan memformulasikan pelatihan jaringan saraf sebagai masalah kontrol optimal waktu kontinu, para penulis menurunkan estimasi kesalahan yang ketat yang mengkuantifikasi bagaimana kesalahan aproksimasi terdistribusi di seluruh lapisan jaringan.
- Lapisan baru disisipkan pada lokasi kesalahan estimasi maksimum untuk menangkap variasi nonlinier yang kompleks.
- Kerangka kerja memperlakukan bobot dan bias sebagai fungsi linear sepotong yang bervariasi di seluruh lapisan.
- Metodologi residu tertimbang ganda dari analisis elemen hingga digunakan untuk menurunkan batas atas yang dapat dihitung pada kesalahan fungsional.
- Batas kesalahan eksplisit menguraikan total kesalahan aproksimasi menjadi kontribusi per interval untuk penyempurnaan yang ditargetkan.
- Metode ini didemonstrasikan pada dataset ilmiah, termasuk mempelajari peta observabel-ke-parameter untuk persamaan Navier-Stokes.
Hasil numerik mengungkapkan bahwa pendekatan ini secara konsisten mengungguli metode adaptasi arsitektur yang ada dalam hal kinerja generalisasi.