arXiv · cs.AI· Luis Wiederhold, Nil Ayday, Debarghya Ghoshdastidar·· 11 小时前
宽神经网络有限样本高斯逼近提升至泛函收敛
Lifting Finite-Sample Gaussian Approximation of Wide Neural Networks to Functional Convergence
arXiv:2610.18166v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Luis Wiederhold, Nil Ayday, Debarghya Ghoshdastidar
研究任务与主要进展
作者将宽随机初始化神经网络的高斯逼近从固定有限样本集推广到泛函层面，并通过按样本度量误差，使收敛常数不再随样本数增长。基于论文摘要，在多项式激活函数和紧输入集条件下，作者报告了无上范数下 m^{-1/2} 的收敛率及显式常数。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org