Dr. Benno Kuckuck

Aktuelle Zugehörigkeiten

Professur für Angewandte Mathematik (Prof. Jentzen)

Publikationen

An overview on deep learning-based approximation methods for partial differential equations Beck C, Hutzenthaler M, Jentzen A, Kuckuck B (2023) In: Discrete and Continuous Dynamical Systems - Series B, 28(6), 3697-3746. doi:10.3934/dcdsb.2022238 Forschungsartikel (Zeitschrift) \| Peer reviewed \| Veröffentlicht
Deep learning approximations for non-local nonlinear PDEs with Neumann boundary conditions Boussange, V.; Becker, S.; Jentzen, A.; Kuckuck, B.; Pellissier, L. (2023) In: SN Partial Differential Equations and Applications, 4, 51. doi:10.1007/s42985-023-00244-0 Forschungsartikel (Zeitschrift) \| Peer reviewed \| Veröffentlicht
Counterexamples to local Lipschitz and local Hölder continuity with respect to the initial values for additive noise driven SDEs with smooth drift coefficient functions with at most polynomially growing derivatives Jentzen A, Kuckuck B, Müller-Gronbach T, Yaroslavtseva L (2022) In: Discrete and Continuous Dynamical Systems - Series B, 27(7), 3707-3724. doi:10.3934/dcdsb.2021203 Forschungsartikel (Zeitschrift) \| Peer reviewed \| Veröffentlicht
Full error analysis for the training of deep neural networks Beck C, Jentzen A, Kuckuck B (2022) In: Infinite Dimensional Analysis, Quantum Probability and Related Topics, 25(2), 2150020. doi:10.1142/S021902572150020X Forschungsartikel (Zeitschrift) \| Peer reviewed \| Veröffentlicht
Strong error analysis for stochastic gradient descent optimization algorithms Jentzen A, Kuckuck B, Neufeld A, von Wurstemberger P (2021) In: IMA Journal of Numerical Analysis, 41(1), 455-492. doi:10.1093/imanum/drz055 Forschungsartikel (Zeitschrift) \| Peer reviewed \| Veröffentlicht

Alle Publikationen anzeigen

Projekte

Mathematische Theorie zu Tiefem Lernen (DLMATH)

Laufzeit: 01.09.2019 - 31.08.2024

Art des Projekts: Eigenmittelprojekt