I think yes, But you need to make a deep analysis with strong proof of your proposed solution.

You can do this by presenting a review of the previous works related to your research domain, also you must put a deep mathematical formalism of the proposed approach in order to reveal its novelty.

yes, but your analisis shall provide relevant researches and strong theorems.

some papers focus on theoretical analysis without including experimental results , so this is particularly true in areas like theoretical computer science, algorithm analysis, and complexity theory.

Enhorabuena por la pregunta establecida, hace año me hice la misma pregunta. y he llegado a la inferencia, que puede llevar a cabo una investigación sin montar el diseño del experimento. describir la información desde el punto de vista de la narrativa, y discutirla con otros autores, entonces comparto con los investigadores; Yazan, Arthur, Adel entre otros.

Orlov A.I. Methods of reducing the dimension of statistical data space / A.I. Orlov, E.V. Lutsenko // Polythematic network electronic scientific journal of Kuban State Agrarian University (Scientific Journal of KubGAU) [Electronic resource]. – Krasnodar: KubGAU, 2016. – №05(119). P. 92 – 107. – IDA [article ID]: 1191605005. – Access mode: http://ej.kubagro.ru/2016/05/pdf/05.pdf , 1 u.p.l.

Trong lĩnh vực khoa học máy tính, nhiều phương pháp có thể được phân tích và viết về mặt lý thuyết mà không cần thực hiện các thử nghiệm cụ thể. Các bài báo có thể tập trung vào việc xem xét và phân tích các thuật toán, mô hình hoặc phương pháp mới một cách lý thuyết.

Ví dụ, một bài báo có thể đề cập đến sự hiệu quả của một thuật toán máy học dựa trên lý thuyết toán học, mà không cần thực hiện các thử nghiệm thực tế. Bài báo có thể trình bày về độ phức tạp của thuật toán, cũng như sự chứng minh lý thuyết về tính chất và hiệu suất của nó trong các điều kiện lý tưởng.

Ngoài ra, các bài báo có thể tập trung vào việc phân tích sâu về các khía cạnh lý thuyết của một mô hình máy học, cũng như ứng dụng của nó trong việc giải quyết các vấn đề cụ thể mà không cần sử dụng dữ liệu thực tế.

Với việc sử dụng phân tích lý thuyết, các bài báo trong lĩnh vực khoa học máy tính có thể cung cấp sự hiểu biết sâu sắc về cách mà các phương pháp hoạt động và tương tác với nhau, mà không cần dựa vào kết quả của các thử nghiệm thực tế.

In computer science, certain methods can indeed be presented without direct experimental validation, relying solely on theoretical analysis to illustrate the expected results or outcomes. This is common in theoretical computer science, algorithm design, complexity analysis, and certain aspects of machine learning and artificial intelligence. Here are a few scenarios where theoretical analysis without experiments is valid:

However, it's important to note that while theoretical analysis is valuable in advancing computer science, practical applicability and real-world validation often solidify the credibility and utility of proposed methods. Many publications prefer a combination of theoretical analysis and empirical validation to ensure the reliability and effectiveness of the proposed methods.

In the field of computer science, some methods in papers can be written without performing specific experiments, based solely on theoretical analysis of the results. This usually happens in the following situations:

1. Analysis of algorithm complexity: Instead of performing specific experiments, articles can focus on theoretical analysis of algorithm time complexity. For example, through the use of the Big O method, it is possible to predict the performance of an algorithm under theoretical conditions.

2. Theory of machine learning models: Research in the field of machine learning can focus on providing theoretical models and analyzing the convergence of algorithms without performing experiments on data. real material.

3. Research on theoretical computation: Research on theoretical computation, such as determining the nature of computational difficulty or infeasibility, can be done without Needs specific experimentation.

However, applying theory to practice through experimentation and testing on real-world data often helps strengthen the applicability and reliability of the methods. Often, the combination of theoretical and experimental analysis helps ensure the accuracy and application of research.

Deep learning is a discipline that demands rigorous experimental validation, so your theory should serve the experiments, so it won’t work.