En este documento, consideramos los operadores de redes neuronales de tipo max-producto de Kantorovich basados en ciertas combinaciones lineales de funciones de activación sigmoide y ReLU. En general, es bien conocido que los operadores de tipo max-producto tienen aplicaciones en problemas relacionados con la teoría de la probabilidad y difusa, involucrando tanto funciones reales como funciones valoradas en intervalos/conjuntos. En particular, aquí nos enfrentamos a problemas de aproximación inversa para la mencionada familia de operadores sub-lineales. Primero establecemos su orden de saturación para una cierta clase de funciones; es decir, mostramos que si una función continua y no decreciente puede ser aproximada por una tasa de convergencia mayor que , a medida que tiende a , entonces debe ser una constante. Además, demostramos un teorema inverso local de aproximación; es decir, asumiendo que puede ser aproximada con una tasa de convergencia de , resulta ser una función Lipschitz continua.