Barron 最优传输 I：生成建模

研究团队提出了将神经网络复杂度作为成本的 Barron 最优传输框架，通过引入衡量单隐层网络表征复杂度的 Barron 能量，在概率测度空间构建了互补于 Wasserstein 与 Stein 的新几何度量。该研究在生成建模场景中量化了扩散模型的次优性，证明了高斯分布推前数据的超多项式 score 近似下界，并探讨了特征自适应对构建替代生成模型的优势。