KI und die schwierigen Probleme der Welt · Theoretische Informatik · arXiv · 2026-10-20
Gaußsche Äquivalenz für CNNs mit nicht-gaußschen Gewichten
Originaltitel: Gaussian equivalence for CNN with non-Gaussian weights
Dieses Paper untersucht den Grenzwert unendlicher Breite von Convolutional Neural Networks mit zufälligen Gewichten. Es zeigt, dass der Gauß-Prozess-Grenzwert auch ohne Gauß-Priors gilt, sofern die Gewichte i.i.d. und zentriert sind und über genügend endliche Momente verfügen. Das Framework deckt Aktivierungen mit polynomiellem Wachstum sowie gängige Patch-Extraktionsoperatoren ab, darunter Faltung, Padding, Stride und Pooling.