PulseAugur
中
实时 06:44:31

贝叶斯神经网络：无限宽度匹配多项式宽度可学性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员发表了一篇论文，详细介绍了均值场贝叶斯神经网络的宽度鲁棒可学性定理。该研究表明，对于布尔立方体目标，无限宽度下的可学性等同于多项式宽度下的可学性，前提是约简熵有界多项式。这一发现表明，无限宽度极限通过有效子采样神经元同时保留学习到的函数，可以准确地描述学习过程，而不会引入虚假的泛化能力。 AI

影响 这项研究为理解大规模神经网络的行为提供了理论基础，可能为未来的模型架构和训练方法提供参考。

排序理由 该集群包含一篇在arXiv上发表的学术论文，详细介绍了关于贝叶斯神经网络的理论研究。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

贝叶斯神经网络：无限宽度匹配多项式宽度可学性

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Dmitry Vaintrob, Kaarel H\"anni ·

    均场贝叶斯神经网络中的宽度鲁棒可学习性

    arXiv:2607.05735v1 Announce Type: new Abstract: Infinite-width limits are a standard way to reason about neural networks, but it is not automatic that the limiting learner has the same complexity-theoretic inductive bias as large finite networks. We study this question for Bayesi…

  2. arXiv stat.ML TIER_1 English(EN) · Kaarel Hänni ·

    均场贝叶斯神经网络中的宽度鲁棒可学习性

    Infinite-width limits are a standard way to reason about neural networks, but it is not automatic that the limiting learner has the same complexity-theoretic inductive bias as large finite networks. We study this question for Bayesian neural networks at the mean-field, or critica…

相关实体

相关话题