Теорема Цибенка

Теорема Цибенка, Універсальна теорема апроксимації — теорема, доведена Джорджем Цибенком (George Cybenko) в 1989 році, яка стверджує, що штучна нейронна мережа прямого зв'язку (англ. feed-forward; у яких зв'язки не утворюють циклів) з одним прихованим шаром може апроксимувати будь-яку неперервну функцію багатьох змінних з будь-якою точністю. Умовами є достатня кількість нейронів прихованого шару, вдалий підбір $\mathbf {w} _{1},\mathbf {w} _{2},\dots ,\mathbf {w} _{N},\mathbf {\alpha } ,$ і $\mathbf {\theta }$, де

• $\mathbf {w} _{i}$ — ваги між вхідними нейронами і нейронами прихованого шару
• $\mathbf {\alpha }$ — ваги між зв'язками від нейронів прихованого шару і вихідним нейроном
• $\mathbf {\theta }$ — коефцієнт «упередженості» для нейронів прихованого шару.

Формальне викладення

Нехай $\varphi$ будь-яка непрервна сигмоїдна функція, наприклад, $\varphi (\xi )=1/(1+e^{-\xi })$. Тоді, якщо дана будь-яка неперервна функція дійсних змінних $f$ на $[0,1]^{n}$ (або будь яка інша компактна підмножина $R^{n}$) і $\varepsilon >0$, тоді існують вектори $\mathbf {w_{1}} ,\mathbf {w_{2}} ,\dots ,\mathbf {w_{N}} ,\mathbf {\alpha } ,\mathbf {\theta }$ та параметризована функція $G(\mathbf {\cdot } ,\mathbf {w} ,\mathbf {\alpha } ,\mathbf {\theta } )\colon [0,1]^{n}\rightarrow R,$ така, що

$|G(\mathbf {x} ,\mathbf {w} ,\mathbf {\alpha } ,\mathbf {\theta } )-f(\mathbf {x} )|<\varepsilon$ для всіх $\mathbf {x} \in [0,1]^{n},$

де

$G(\mathbf {x} ,\mathbf {w} ,\mathbf {\alpha } ,\mathbf {\theta } )=\sum _{i=1}^{N}\alpha _{i}\varphi (\mathbf {w} _{i}^{T}\mathbf {x} +\theta _{i}),$

та $\mathbf {w} _{i}\in R^{n},\ \alpha _{i},\theta _{i}\in R,\ \mathbf {w} =(\mathbf {w} _{1},\mathbf {w} _{2},\dots \mathbf {w} _{N}),\ \mathbf {\alpha } =(\alpha _{1},\alpha _{2},\dots ,\alpha _{N}),$ та $\mathbf {\theta } =(\theta _{1},\theta _{2},\dots ,\theta _{N})$.

Посилання

• Cybenko, G.V. (1989). Approximation by Superpositions of a Sigmoidal function, Mathematics of Control, Signals and Systems, vol. 2 no. 4 pp. 303-314.
• Hassoun, M. (1995) Fundamentals of Artificial Neural Networks MIT Press, p. 48

Див. також

• Теорема збіжності перцептрону
• Перцептрон
• Winner-take-all