研究人员开发了一种惯性形式的狄拉克-弗兰克尔动力学，以解决冗余非线性参数化（如神经网络）中不唯一或病态的参数动力学问题。这种新方法引入了惯性，允许过去的轨迹信息为弱约束的参数速度方向提供信息，而强约束的方向则继续遵循原始动力学。已证明惯性形式可以产生适定的参数动力学并提供后验误差界，在数值实验中表现出更高的鲁棒性。 AI
影响 这项研究通过改进参数动力学，有望实现更稳定、更鲁棒的复杂神经网络模型训练。
排序理由 该集群包含一篇在 arXiv 上发表的关于新数学动力学形式化研究的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.24769v1 Announce Type: cross Abstract: Even when Dirac-Frenkel dynamics determine a well-defined evolution in function space, the corresponding parameter dynamics can be non-unique or ill-conditioned for redundant nonlinear parametrizations such as neural networks or m…
Even when Dirac-Frenkel dynamics determine a well-defined evolution in function space, the corresponding parameter dynamics can be non-unique or ill-conditioned for redundant nonlinear parametrizations such as neural networks or mixture models. We propose to add inertia to the Di…