本研究提出“中心流”思想，利用差分方程分析深度学习优化轨迹的时间平均行为，揭示自适应优化器如何调节步长以更有效地应对损失景观。

该研究提出了一种通用框架，通过非凸优化分析，利用局部下降算法寻找深度神经网络的全局最小值。探讨了深度学习模型的优化与层数的关系，提出了自适应优化器的优势，并分析了网络架构对优化的影响，最终证明了自适应梯度方法的线性收敛性。