过参数化神经网络通常会表现出一种“良性过拟合”现象：尽管其参数数量远远超过训练样本数，却仍能取得优异的泛化性能。传统的泛化分析由于过参数化的存在，通常只能得到空泛、缺乏实际意义的界。 在本次报告中，我们通过控制过参数化浅层神经网络（SNNs）的 Rademacher 复杂度，建立了非空泛的泛化界，并结合对高度过参数化浅层神经网络的实证研究加以支持。我们的复杂度界完全依赖于网络参数相对于初始化点的距离，并以网络的路径范数（path-norm）来表述。
过参数化神经网络通常会表现出一种“良性过拟合”现象：尽管其参数数量远远超过训练样本数，却仍能取得优异的泛化性能。传统的泛化分析由于过参数化的存在，通常只能得到空泛、缺乏实际意义的界。 在本次报告中，我们通过控制过参数化浅层神经网络（SNNs）的 Rademacher 复杂度，建立了非空泛的泛化界，并结合对高度过参数化浅层神经网络的实证研究加以支持。我们的复杂度界完全依赖于网络参数相对于初始化点的距离，并以网络的路径范数（path-norm）来表述。
