兩層 ReLU 網路

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。