PulseAugur
中
实时 11:01:25
English(EN) Is Grokking a Loss of Normal Hyperbolicity of the Interpolation Manifold?

研究论文质疑神经网络中grokking转变机制

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新的研究论文探讨了神经网络中“grokking”现象，即模型最初表现不佳，但在记忆了训练数据后，其泛化能力会迅速提高。该研究调查了这种急剧转变是否由插值流形的正常双曲性丧失引起，这是动力学系统中的一个概念。研究人员使用基于残差雅可比矩阵的最小非零奇异值的诊断工具，发现该值在转变过程中并未崩溃，这表明泛化能力的提高可能是一个平滑的漂移，而不是一个分岔事件。 AI

影响 为理解神经网络中的泛化转变提供了一个新的理论框架，可能影响未来的模型训练策略。

排序理由 这是一篇详细介绍对机器学习现象进行理论研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究论文质疑神经网络中grokking转变机制

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Suvinava Basak ·

    Grokking 是否会导致插值流形的正常双曲性丧失？

    arXiv:2608.14803v1 Announce Type: new Abstract: A recent line of work recasts the post-memorization phase of grokking as constrained optimization: once a network interpolates the training set, weight decay drives a slow drift along the zero-loss manifold toward lower norm. In the…

相关实体

相关话题