English(EN) K\"ahler landscapes for complex neural network descents and guarantees including a search and destroy of the Calabi-Yau manifold

新理论使用复杂几何分析神经网络优化

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-21 04:00

研究人员开发了一个新的理论框架，用于理解复杂神经网络的优化景观。该方法利用了微分几何的概念，特别是Kähler流形和Calabi-Yau度量，来分析下降路径并提供理论保证。这项工作探讨了负曲率（如Ricci曲率）如何影响损失景观并影响神经网络的性能，尤其是在初始化和故障模式下。 AI

影响提供了一个理解神经网络优化的新颖几何框架，可能导致更稳定和可预测的训练。

排序理由这是一篇发表在arXiv上的理论计算机科学论文。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Andrew Gracyk · 2026-08-21 04:00

K\"ahler 景观用于复杂神经网络下降和保证，包括对 Calabi-Yau 流形进行搜索和销毁

arXiv:2608.19584v1 Announce Type: new Abstract: We study landscapes for complex-parameterized networks. Our approach is motivated with an information-theoretic manifold perspective of the parameter and via classical optimization guarantees although of complex geometric variety su…