宽神经网络高斯逼近有限样本界提升为函数型界

2026年10月15日，arXiv 人工智能板块发布一项研究，作者为 Luis Wiederhold、Nil Ayday、Debarghya Ghoshdastidar。该研究关注随机初始化的宽度为 m 的神经网络在 m→∞ 时收敛到高斯过程这一现象：早先的有限样本界在二次 Wasserstein 距离 W₂ 下达到 m^{-1/2} 的速率，但常数随样本数增长而失效。该研究通过逐样本度量误差使常数保持一致，从而将有限样本界提升为函数型界。对多项式激活函数和任意紧输入集，在一致范数下得到 m^{-1/2} 的速率及显式常数。论文称其工作是将有限样本界提升为函数型界。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。