诺亚·戈洛维奇;亚历山大·拉赫林;奥哈德·沙米尔 神经网络的尺寸依赖样本复杂性。 （英语） Zbl 1528.68354号 Inf.推断 9，编号2473-504（2020）. 小结：我们研究了学习神经网络的样本复杂度，为其Rademacher复杂度提供了新的界，假设每个层的参数矩阵具有范数约束。与之前的工作相比，这些复杂度界限改善了对网络深度的依赖性，并且在一些附加假设下，完全独立于网络大小（深度和宽度）。这些结果是使用一些新技术得出的，这些新技术可能会引起独立的兴趣。 引用于19文件 MSC公司： 68T07型 人工神经网络与深度学习 关键词：神经网络;深度学习;样本复杂性;Rademacher复杂性 PDF格式BibTeX公司 XML格式引用 \textit{N.Golowich}等人，Inf.Inference 9，No.2，473--504（2020；Zbl 1528.68354） 全文： DOI程序 arXiv公司