深度分析
過度參數化兩層 ReLU 網路下流匹配的收斂與泛化理論分析
本研究針對以神經網路參數化的條件速度場提出流匹配理論，證明在過度參數化的兩層 ReLU 網路下梯度下降可收斂，並給予 L2 泛化上界與 Wasserstein 抽樣誤差保證。實驗在合成與真實影像上驗證理論。此外，研究以多任務學習框架推導未受限損失的泛化界，為流基生成模型提供了與核方法相近的理論基礎，預示未來在高維資料插值與動態模擬上的廣泛應用。
深度分析
本研究針對以神經網路參數化的條件速度場提出流匹配理論，證明在過度參數化的兩層 ReLU 網路下梯度下降可收斂，並給予 L2 泛化上界與 Wasserstein 抽樣誤差保證。實驗在合成與真實影像上驗證理論。此外，研究以多任務學習框架推導未受限損失的泛化界，為流基生成模型提供了與核方法相近的理論基礎，預示未來在高維資料插值與動態模擬上的廣泛應用。
深度分析
研究探討圖神經網路在有限度與有限精度下精確學習圖演算法。透過訓練多層感知器集合執行單節點本地指令，再於推論時作為GNN更新函式。在有界度與有限精度條件下，僅需線性規模的本地指令資料，即可於推論時以O(L)迭代正確執行，成功機率高。證實可無誤執行訊息洪水、BFS、DFS與Bellman‑Ford。