本文研究了通过SGD优化的两层神经网络在学习未知函数时的表现，分析了不同模型的样本复杂度和运行时间。结果表明，适当的学习率和随机特征能显著提升学习效果，并在高维回归问题中实现更好的泛化性能。

本文研究了两层神经网络在全局最小值附近的损失函数图景，确定了能够实现完美泛化的参数集，并描述了其梯度流动。通过新颖的技术，揭示了复杂的损失函数图景的简单特征，并解释了过度参数化的神经网络能够很好地泛化的原因。