隨機神經網路（RdNNs）透過凍結隨機初始化的輸入到隱藏層權重，避免了反向傳播，從而能夠高效訓練。這種權重凍結使得輸出層可以透過閉式解求解。然而，傳統隨機初始化方法完全獨立地生成權重，忽略了特徵之間的相關性、不對稱性和尾部依賴，導致問題條件數惡化並降低預測效能。據我們所知，這一侷限性在RdNN文獻中尚未得到解決。
為了填補這一空白，本文提出CAWI（Copula-Aligned Weight Initialization，基於Copula對齊的權重初始化）框架。CAWI從資料擬合的Copula中取樣輸入到隱藏層的權重，使得凍結的投影能夠尊重特徵間的依賴關係，同時不犧牲閉式解的優勢。具體分為三步：首先，使用經驗累積分佈函式（CDF）將每個特徵對映到單位區間；其次，擬合一個多元Copula來捕捉特徵間的秩相關依賴性；最後，從擬合的Copula中取樣每個權重列，並應用固定的逆邊際變換來設定尺度。目標函式、求解器和“凍結一次”的正規化保持不變，僅權重W的取樣律變得具有依賴性感知。
在依賴性建模方面，CAWI考慮了橢圓族（Gaussian、t）和阿基米德族（Clayton、Frank、Gumbel）兩種Copula族，能夠處理包括尾部依賴在內的多種依賴結構。為了驗證效果，研究者在83個不同的分類基準（包括二分類和多分類）以及兩個生物醫學資料集（BreaKHis和精神分裂症資料集）上，採用標準淺層和深層RdNN架構進行評估。結果表明，CAWI在預測效能上始終顯著優於傳統隨機初始化方法。
CAWI提出了一種新穎的權重初始化策略，在不改變RdNN本質的前提下，將資料依賴性融入初始權重中。這不僅提升了模型效能，還保持了閉式解的簡潔性。所有程式碼已在GitHub上公開（https://github.com/mtanveer1/CAWI），該論文已被AISTATS 2026會議接收。