本文深入研究了齐次神经网络的训练动力学，特别考察了网络权重超越原点后的梯度流。研究人员分析了具有局部 Lipschitz梯度的网络，以表征超越原点后遇到的第一个鞍点。研究还发现，对于齐次前馈网络，在逃离原点之前建立的权重稀疏模式会一直持续到达到下一个鞍点。 AI
影响 为神经网络训练动力学提供了理论见解，可能为未来的模型架构提供信息。
排序理由 学术论文发表在arXiv上，详细介绍了新颖的研究发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2502.15952v3 Announce Type: replace-cross Abstract: Recent works exploring the training dynamics of homogeneous neural network weights under gradient flow with small initialization have established that in the early stages of training, the weights remain small and near the …