본 논문은 딥러닝 손실 경관과 최적화 동역학 연구, 일반화 측정, 2차 학습 알고리즘 설계 등에 중요한 헤세스 행렬에 대한 이론적 분석을 수행했어요. 분류 작업에서 MSE 손실을 사용하는 경우, 솔루션의 선명도는 클래스에 속하는 샘플의 최대 비율과 직접적으로 관련이 있다고 밝혔어요. 비선형성을 포함한 보다 실용적인 학습 환경에서도 예측이 상당히 견고함을 확인하며, 이론적 결론을 확장했어요.