GPT-6 Astra 发布 NN-bayes 电路先验研究结果

2026 年 10 月 21 日，团队在 LessWrong 发布由 GPT-6 Astra 协助撰写的多篇关于神经网络贝叶斯学习泛化性质的论文。研究核心发现，特定 MLP 权重先验诱导的函数先验等同于电路先验，并给出了样本复杂度界限。报道指出，在超参数化网络下，学习复杂函数仍可能保留常数测试误差率。 这些结果在目标函数可实现时成立，适用于任意过参数化的 NN-bayes。主要局限在于，目前得到的界限对电路深度呈指数级依赖。不过，若将先验限制在满足鲁棒性假设的神经网络上，可将深度依赖降为多项式级。 在验证方面，GPT-6 Astra 已为其中 5 篇论文生成了 Lean 形式化证明。目前团队表示仍在处理另外 30 余份手稿，整个研究流程展示了大型语言模型在自动生成理论计算机科学与机器学习数学证明及形式化代码方面的最新进展。

AI 根据报道生成 · 47 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。