📖 摘要

为稀疏激活神经网络提供紧密Rademacher复杂度界，消除维度因子。

🔑 关键词速览

Rademacher bounds	衡量函数类在随机噪声下拟合能力的复杂度度量，用于推导泛化误差界。
input-dependent sparsity	每个输入仅激活网络中的少数隐藏单元，而不同输入可能激活不同单元的现象。
ReLU model	使用修正线性单元作为激活函数的神经网络模型，常用于深度学习理论分析。
support-preserving cover	一种覆盖方法，保持函数支持集的结构，用于改进复杂度分析。
minimax excess-risk bounds	在最优估计器下，额外风险（相对于贝叶斯风险）的极小化最大值界，衡量学习算法的统计最优性。