Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2507.12686

帮助 | 高级搜索

统计学 > 机器学习

arXiv:2507.12686 (stat)
[提交于 2025年7月16日 ]

标题: 深度神经网络的有限维高斯近似:随机权重中的普遍性

标题: Finite-Dimensional Gaussian Approximation for Deep Neural Networks: Universality in Random Weights

Authors:Krishnakumar Balasubramanian, Nathan Ross
摘要: 我们研究具有随机初始化权重且具有有限阶矩的深度神经网络的有限维分布 (FDD)。 具体而言,我们假设一个 Lipschitz 激活函数,并允许层宽度以任意相对速率增长到无穷大,并在 FDD 与其高斯极限之间建立 Wasserstein-$1$ 范数的高斯近似界。 在所有宽度都与公共尺度参数 $n$ 成比例且存在 $L-1$ 个隐藏层的特殊情况下,对于任何 $\epsilon > 0$,我们获得了阶数为 $n^{-({1}/{6})^{L-1} + \epsilon}$ 的收敛速度。
摘要: We study the Finite-Dimensional Distributions (FDDs) of deep neural networks with randomly initialized weights that have finite-order moments. Specifically, we establish Gaussian approximation bounds in the Wasserstein-$1$ norm between the FDDs and their Gaussian limit assuming a Lipschitz activation function and allowing the layer widths to grow to infinity at arbitrary relative rates. In the special case where all widths are proportional to a common scale parameter $n$ and there are $L-1$ hidden layers, we obtain convergence rates of order $n^{-({1}/{6})^{L-1} + \epsilon}$, for any $\epsilon > 0$.
主题: 机器学习 (stat.ML) ; 机器学习 (cs.LG); 概率 (math.PR); 统计理论 (math.ST)
引用方式: arXiv:2507.12686 [stat.ML]
  (或者 arXiv:2507.12686v1 [stat.ML] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.12686
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Krishnakumar Balasubramanian [查看电子邮件]
[v1] 星期三, 2025 年 7 月 16 日 23:41:09 UTC (22 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.ML
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.LG
math
math.PR
math.ST
stat
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号