为什么以及何时深层优于浅层：从实现无关的状态转移视角理解深度优势

基于摘要分析。本文研究深层模型何时比浅层模型具有更好的泛化误差界，核心贡献是以一般度量空间上的抽象状态转移半群描述深层模型，将深度带来的统计效应与 ReLU 网络、transformer、chain-of-thought 等具体实现分离。 作者报告，定理 1 给出一种偏差—方差分解，其中方差仅依赖抽象的深度 k 网络，而不依赖其具体实现。定理 2 进一步将界拆分为输出部分和隐藏部分，并通过状态转移半群的度量熵刻画方差对深度的依赖。随后，论文讨论方差随深度呈多项式或对数增长的实现无关条件。 作者将上述方差增长方式与指数或多项式偏差衰减结合，得到 EL、EP、PL、PP 四类偏差—方差权衡情形，并推导显式最优深度 k*。作者报告，在这些情形中，k*>1 通常成立；四类情形中，指数偏差衰减与对数方差增长相结合的 EL 情形获得最低的泛化误差界。这里的结论针对满足相应条件的理论误差界，不能直接等同于任意深层模型在实际任务上优于浅层模型。 摘要将 neural ODEs、diffusion/score-matching models 和 chain-of-thought reasoning 等迭代或层次化概念类列为该框架的相关对象，但未提供具体实验数据与指标。全文中的采样假设、度量熵条件、常数项、界的紧致性，以及实验协议、消融及统计信息尚未验证。材料未提供 EEG/BCI 的直接理论对应或验证结果，因此不据此推断增加深度能够改善神经信号解码。