关于具有等变性、局部性和权重共享的一层隐藏网络的样本复杂度

本研究解决了不同设计选择（如权重共享、等变性和局部滤波器）对神经网络样本效率的影响不明确的问题。通过统计学习理论，研究提供了对单隐藏层网络样本复杂度的界定，发现等变性的益处直接体现在界限中，并为一种池化操作的等变网络获得了无维数的界限。结果表明，样本复杂度在空间和频率域中过滤器参数化之间存在权衡。