연구진은 Product Network 기반 신경망 구조와 확률적 데이터 희소성(Bernoulli 입력)을 결합하여 고차원 패리티 함수 학습의 효율성을 입증했어요. 이론적 보장을 통해 수렴 가능성을 확인하고, $N = 100,000$ 차원까지 실험을 진행했어요. 실험 결과, $p_e$와 학습률 $α$에 대한 최적의 하이퍼파라미터 선택이 가능하며, 다항식 복잡도 스케일링 법칙을 관찰했어요.
Product Network는 일반적인 신경망 구조에 비해 지수적인 샘플 복잡도를 요구하지 않으며, 데이터 희소성을 활용하여 효율적인 학습을 가능하게 해요. 이는 자동 프로토콜 발견, 이진 신경망 등 다양한 분야에 적용될 수 있어요.
이번 연구는 아키텍처 유도 편향과 데이터 희소성 간의 연관성을 밝히고, 신경 연산, 구조적 추론 등 새로운 가능성을 열어줘요.