Machine learning “文件”；深度学习需要重新思考“泛化”；

我在读这篇文章，我不明白为什么在第5页，在第2.2节的含义下，它说，重新加工的复杂性，界限是微不足道的

由于我们的随机化测试表明，许多神经网络完美地匹配带有随机标签的训练集，因此我们预计对应模型类H的Rad（H）=1。当然，这是Rademacher复杂度的一个微不足道的上界，在实际设置中不会产生有用的泛化边界。

---

显然，我缺少了一些关于拉德马赫的知识，因为我不明白他们是如何得出这个结论的。如果有人能在论文中向我解释一下，我将不胜感激。函数

h

以1为界，因此Rademacher复杂度以1为界（你将

n

项相加等于1，除以

n

）.

我将一步一步地检查我是否真正理解了1）根据论文，根据研究，所有网络都能够训练到零训练错误。2） Rademacher复杂度是检查他们是否能够适应带有随机标签的训练集3）如果是，那么它给出1，因为在所有情况下，它都可以管理，所以我们有一个n*1的和，然后除以n。4） 我们得到一个结果15）它被认为是平凡的，因为正如你在论文中所说的，函数是有界的。我在报纸上找不到这个装订的！？是的，就是这样

h

以1为界，因为它表示

x_i

有标签1的概率（这是一种常用的表示法）