arXiv:2509.01090cs.LGcs.NA2025-09
深度随机核网络用确定性组合提升逼近效率，减少采样需求。
A Class of Random-Kernel Network Models
- 通过确定性核复合构建深度，仅末层引入随机性
- 深层模型用更少蒙特卡洛样本逼近特定函数
- 适合研究深度学习泛化能力的理论工作者
我们提出随机核网络，一种多层随机特征模型的扩展，其中深度由确定性核复合生成，随机性仅存在于最外层。我们证明，更深的结构能以比任何浅层模型更少的蒙特卡洛样本逼近某些函数，建立了样本复杂度上的深度分离定理。
原文摘要 · Abstract (English)
We introduce random-kernel networks, a multilayer extension of random feature models where depth is created by deterministic kernel composition and randomness enters only in the outermost layer. We prove that deeper constructions can approximate certain functions with fewer Monte Carlo samples than any shallow counterpart, establishing a depth separation theorem in sample complexity.
深度学习随机核理论分析
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。