研究人员提出了一个单神经元模加傅里叶对齐假设的反例。该反例表明，一个ReLU神经元可能会变得不活跃，并保持在极限状态，其傅里叶能量分布在所有非零实频率上。在高斯初始化下，这种失败以正概率发生，并且对于Clarke轨迹和ReLU的光滑近似，使用固定步长梯度下降也可能发生。这一发现表明，在训练单个神经元进行模加时，单频率对齐并非必然结果。 AI
影响 挑战了关于神经网络训练动态和单神经元操作潜在故障模式的假设。
排序理由 该条目是一篇研究论文，详细介绍了神经网络训练中特定假设的理论反例。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
