本研究探讨了自监督学习中宽神经网络的核行为与损失函数之间的关系。通过分析Barlow Twins损失下的两层网络，证明了当网络宽度趋近无穷大时，NTK变为常数，从而为理解宽神经网络提供了理论基础，并推导了泛化误差的界限。

本文探讨了宽神经网络的训练动态，强调初始权重结构对学习机制的重要性。研究表明，合适的超参数选择会影响网络的懒惰训练和特征学习表现，并揭示了深度学习中的增量学习能力及其在不同初始化条件下的表现。

本文分析了核回归方法的泛化误差，探讨了高斯过程与宽神经网络的等效性，提出了新的谱原理，并揭示了训练集大小对泛化能力的影响。研究表明，更多数据可能损害推广能力，并提出了一种灵活的谱核学习框架，以验证理论结果的有效性。