本文介绍了可扩展的神经网络内核(SNNK)及其应用，SNNK能够近似表示正常前馈层(FFLs)，但具有更好的计算属性和表达力。通过神经网络捆绑过程，SNNK可以应用于压缩深度神经网络架构，获得额外的压缩收益。作者还介绍了通用随机特征(URFs)机制，用于实例化多种SNNK变体。经过理论分析和实证评估，发现该机制可以将可训练参数的数量减少5倍，同时保持准确性。

本文介绍了可扩展的神经网络内核(SNNK)及其应用于压缩深度神经网络架构的神经网络捆绑过程。SNNK能够模拟超出参数-输入矢量点积函数之外的复杂关系，通过神经网络捆绑过程，可将可训练参数的数量减少5倍，同时保持准确性。该文还介绍了通用随机特征(URFs)机制，用于实例化多种SNNK变体，并进行了理论分析和实证评估。