该研究将剪枝、梯度下降等迭代算法展开为可训练网络，从理论上证明其收敛性与泛化能力，并验证对扰动的鲁棒性。相关工作分析了梯度下降网络的统计复杂度与过拟合问题，提出了用于线性反演和图像修复的展开网络，并利用神经切向核与PAC-Bayes边界解释过参数化网络的泛化误差。