规范一下以下语句为了进行比较，我们选择了各种表现良好的竞争对手，包括基于MLP的方法，基于神经切线核（NTK）回归的方法，稀疏诱导半定规划（SDP）方法[18]，期望条件最大化（ECM）方法和集中式最小二乘（LS）方法[9]。请注意，我们选择 MLP 来演示添加归一化相邻矩阵所带来的性能改进一个ˆTh在每一层中。此外，我们使用基于 NTK 的回归来模拟超宽 MLP 和随机初始化，其基础定理是，通过梯度下降训练的足够宽且随机初始化的 MLP 等效于 NTK 的核回归预测器

为了进行比较，我们选择了多个表现良好的竞争对手，包括基于MLP的方法、基于神经切线核（NTK）回归的方法、稀疏诱导半定规划（SDP）方法[18]、期望条件最大化（ECM）方法和集中式最小二乘（LS）方法[9]。需要注意的是，我们选择使用 MLP 来演示添加归一化相邻矩阵所带来的性能改进，这种性能改进在每一层中都可以体现。此外，我们还使用基于 NTK 的回归来模拟超宽 MLP 和随机初始化。基于 NTK 的回归的基础定理是，通过梯度下降训练的足够宽且随机初始化的 MLP 等效于 NTK 的核回归预测器。