“Deep lifts”研究：神经网络即使使用最简单优化器也能实现泛化

研究表明在宽度 $W$ 深度 $D$ 的连续有界权重 ReLU 架构中，即使仅从插值参数中进行均匀随机采样，神经网络仍具备泛化能力。当数据集可由较小的 $w \times d$ 网络解释时，该参数自适应泛化速率为 $\tilde O(\frac{wdWD}{n})$，而非受制于完整假设类的 VC 维。