1. 摘要
众所周知，过度参数化的深度神经网络(DNNs)是一种表达能力极强的函数，它甚至可以以100%的训练精度记忆随机数据。这就提出了一个问题，为什么他们不能轻易地对真实数据进行拟合呢。为了回答这个问题，研究人员使用傅里叶分析来研究深层网络。他们证明了具有有限权值(或训练有限步长)的深度网络天生偏向于表示输入空间上的平滑函数。具体地说，深度ReLU网络函数的特定频率分量(k)的衰减速度至少与O(k^2)一样快，宽度和深度分别以多项式和指数的方式帮助建模更高的频率。例如，这说明了为什么DNNs不能完美地记忆峰形三角函数。他们还表明，DNNs可以利用低维数据流形的几何形状，用简单函数近似流形上存在的复杂函数。因此，研究人员发现，所有被网络分类为属于某一类的样本(包括对抗本)都通过一条路径连接，这样网络沿着那条路径的预测就不会改变。最后，一般来说高频分量函数所对应的神经网络参数所占比重较小，这有助于正则化与抗过拟合。
2. 引言
低频信息指的是颜色缓慢变化，代表着连续渐变的一块区域，这部分为低频信息。对于一副图像来说，除去高频就是低频，也就是边缘以内的内容为低频，而边缘内的内容就是图像的大部分信息，即图像的大致概貌和轮廓，是图像的近似信息。
反之，图像边缘的灰度值变化快，就对应着高频。图像的细节处也就是属于灰度值急剧变化的区域，正是因为灰度值的急剧变化，才会出现细节。另外对于噪声，在一个像素所在的位置，之所以是噪点，是因为它与正常的点颜色不一样了，也就是说该像素点灰度值明显不一样，所以是高频部分。
通常，图像的低频是图像中对象的大致概况内容，高频对应噪声和细节。神经网络更倾向于拟合高频信息，而人类主要关注低频信息，然而对低频分量的学习，更有助于网络提高在对抗干扰过程中的鲁棒性。
主要贡献：
- 利用连续分段线性结构对ReLU网络的傅里叶谱分量进行分析。
- 发现了谱分量偏差（Spectrum bias）的经验证据，来源于低频分量，然而对低频分量的学习，有助于网络在对抗干扰过程中的鲁棒性。
- 通过流形理论，给予学习理论框架分析。
3. 实验结果
参考文献
On the Spectral Bias of Neural Networks