深线性网络特征学习闭式解发布

2026年10月27日，Shaunak Bhandarkar和Boris Hanin在arXiv发布论文（arXiv:2610.37834），针对深线性网络特征学习提出闭式解，揭示特征学习对预测的影响机制。 研究指出，单步梯度更新通过“反收缩”机制同时放大任务相关方向和噪声。在过参数化比例极限下，作者推导了偏差、方差和泛化误差的闭式表达式，发现单步泛化优势仅在低维任务结构足够强时出现。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。