分析了分岔附近循环神经网络的学习动力学

一篇新的研究论文探讨了循环神经网络（RNNs）在接近临界过渡点（称为分岔）时的学习动力学。该研究利用全局经验神经切线核（GeNTK）证明，学习几何被放大并变得各向异性，集中于特定的低秩通道。这一理论框架通过高维RNNs和多任务LeakyRNN的实验得到验证，显示GeNTK放大与突然的损失变化、子任务干扰以及内部动力学变化之间存在相关性。 AI

影响 为理解和诊断复杂神经网络在临界过渡点附近时的学习行为提供了理论框架。

排序理由 学术论文，详细介绍了RNNs学习动力学的理论和实验分析。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Center-Manifold Reduction of Learning at Bifurcations
• Fisher Information Matrix
• Gentkowski
• Interference and Rich Learning in Recurrent Neural Networks
• James Hazelden
• LeakyRNN
• MemoryPro
• Neural tangent kernel
• recurrent neural network

• 论文
• 模型发布

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