본 논문은 딥러닝에서 신경망이 고차원 특징을 효율적으로 학습하는 방식을 이해하는 데 초점을 맞추고 있다. 특히, 은닉 부분 공간 $\boldsymbol{U}$를 가진 일반적인 가우시안 다중 인덱스 모델 $f(\boldsymbol{x})=g(\boldsymbol{U}\boldsymbol{x})$의 그래디언트 디센트 학습을 탐구한다. 링크 함수에 대한 일반적인 비퇴화 가정을 통해, 레이어별 그래디언트 디센트를 사용하여 훈련된 표준 2층 신경망이 $\widetilde{\mathcal{O}}(d)$ 샘플과 $\widetilde{\mathcal{O}}(d^2)$ 시간을 사용하여 $o_d(1)$ 테스트 오류로 타겟을 학습할 수 있음을 증명한다.
