通用逼近定理（Universal Approximation Theorem，簡稱 UA Theorem）是神經網絡與函數逼近理論中的一個基本結果。它表明，具有足夠隱藏層的前饋神經網絡可以逼近任何連續函數。
該定理最早由 George Cybenko 在 1989 年提出，之後經過多次擴展。其核心思想是，儘管神經網絡的結構可能複雜，但只要網絡的隱藏層足夠多，就能以任意精度逼近任何連續函數。
UA Theorem 的重要性在於它為深度學習的成功提供了理論依據，表明神經網絡是一種強大的函數逼近工具。這一發現推動了神經網絡的廣泛應用，特別是在圖像識別、自然語言處理等領域。
該定理通常應用於前饋神經網絡，特別是單隱層的網絡。通過適當的激活函數（如 sigmoid 或 ReLU），網絡能夠捕捉輸入與輸出之間的複雜關係。
隨著深度學習技術的進步，UA Theorem 的應用將進一步擴展到更複雜的模型和算法中，特別是生成對抗網絡（GANs）和強化學習框架。
儘管該定理的理論適用性廣泛，但在實際應用中，網絡的訓練過程可能面臨過擬合、收斂速度慢等問題。因此，理解 UA Theorem 對於從事機器學習和深度學習研究的人员至關重要，特別是在設計和優化神經網絡時。
