跳到正文
热点事件持续更新

随机特征到全可训练网络相变分析

1 篇报道1 个报道来源5 小时前更新

先了解这件事

AI 综述

最新论文建立了部分可训练神经网络的L2逼近误差界，量化了从固定随机特征到全自适应表示的相变行为。该研究指出，在球面偏置ReLU特征维度d=5且初始化尺度τ=10的条件下，仅约4.1%的可训练比例即可实现90%的逼近误差缩减。这种相变特征在高达15层的数值实验中同样得到验证，表明少量可训练参数即可显著提升网络逼近性能。

AI 根据报道生成 · 2 小时前更新

最新进展10月23日 12:00
随机特征到全可训练网络的相变分析

报道时间线

沿着报道，了解事件的不同侧面。

10月23日
  1. arXiv · ML
    随机特征到全可训练网络的相变分析

    该论文建立了部分可训练神经网络的 L2 逼近误差界 O((κ_P log(m/δ)/m)^α)，量化了从固定随机特征到全自适应表示的相变行为。 在球面偏置 ReLU 特征维度 d=5 且初始化尺度 τ=10 的条件下，仅约 4.1% 的可训练比例即可实现 90% 的逼近误差缩减。 这种相变特征在高达 15 层的数值实验中同样得到验证。 ```

本事件热度走势

还没有足够的连续观测数据，暂不绘制趋势。