用神经网络显式分离同心数据分布，揭示其数学机制。

Explicit neural network classifiers for non-separable data

• 基于截断映射刻画前馈网络结构特性
• ReLU网络可实现同心数据的特征分离
• 为非线性可分问题提供理论解释

我们从截断映射的角度全面刻画了一类前馈神经网络。作为应用，表明ReLU神经网络能够实现将同心数据分离的特征映射。该结果揭示了深层网络在处理非可分数据时的内在机理，为理解神经网络的表征能力提供了新的数学视角。

原文摘要 · Abstract (English)

We fully characterize a large class of feedforward neural networks in terms of truncation maps. As an application, we show how a ReLU neural network can implement a feature map which separates concentric data.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。