本研究探讨了多层感知器中的谱偏差，发现混淆程度与收敛速度相关。分析了共轭内核和神经切向内核的特征值，提出谱归一化技术以提高生成对抗网络的稳定性和图像质量，并在多种信号模态上验证了其有效性。

该文汇总多项深度学习理论研究：证明生成模型反向网络和前向神经网络均为正确推理方法；发现深度ReLU网络偏向低频函数，谱偏差影响收敛；提出彩虹网络、双重MLP信号表示等方法；研究对抗样本、多面体训练及高层单元近似随机线性组合等特性。

该文综述神经切向核（NTK）在物理约束神经网络中的研究：NTK可描述无限宽网络梯度下降动态，揭示高斯激活优势，并用于自适应校准损失收敛率、缓解谱偏差，提升PINN求解偏微分方程的多尺度能力。

图压缩将大图压缩为小型合成图以降低图神经网络训练成本。研究通过梯度匹配和特征基匹配（GCEM）缓解谱偏差，提出结构自由压缩（SFGC）和映射感知压缩（MCond）支持归纳推理，在Reddit上实现121.5倍推理加速；并提出连续图学习框架CaT及感受野分布匹配等方法，在保持性能的同时将图规模缩小99%以上。