两篇最新的arXiv论文深入探讨了深度学习的理论方面，重点关注收敛性和Lipschitz连续性。第一篇论文由Noboru Isobe撰写，探讨了深度神经网络的理想化连续深度模型，并利用Łojasiewicz--Simon不等式证明了其收敛到临界点。第二篇论文系统地回顾了深度学习中的Lipschitz连续性，考察了其理论基础、估计方法、正则化技术以及对鲁棒性和泛化能力的影响。 AI
影响 这些论文有助于加深对深度学习模型的理论理解，可能影响未来在优化和鲁棒性方面的研究。
排序理由 两篇发表在arXiv上的学术论文，讨论深度学习的理论方面。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2311.15365v3 Announce Type: replace Abstract: We study an idealized training process for deep neural networks in a continuous-depth, mean-field model in which each layer is parameterized by a probability measure on a Euclidean parameter space. The training dynamics are form…
arXiv:2607.16329v1 Announce Type: new Abstract: Lipschitz continuity is a fundamental property of neural networks that characterizes their sensitivity to input perturbations. It plays a pivotal role in deep learning, governing \textbf{robustness}, \textbf{generalization} and \tex…