新方法使NTK统计在大型神经网络中变得实用

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-01 04:00

研究人员开发了一种方法，可以有效地估计大型神经网络的神经切线核（NTK）的统计数据，克服了显式计算的计算和内存挑战。这种新方法利用随机迹估计，特别是Hutch++算法，来近似关键NTK统计数据，如迹、Frobenius范数、有效秩和对齐。该方法已在各种架构上得到验证，包括多达4.1亿个参数的Transformer，显示出显著的加速，并使NTK诊断对于大规模模型变得实用。研究人员还探索了使用NTK对齐作为知识蒸馏的正则化器，发现在泛化方面有适度的改进，尤其是在数据稀缺的情况下。 AI

影响能够更有效地分析大型神经网络，可能带来对模型行为更好的理解和优化。

排序理由学术论文，详细介绍了一种分析神经网络特性的新计算方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 22 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种分析神经网络特性的新计算方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · James Hazelden, Balaaji Reddy Nagireddy, Eric Shea-Brown · 2026-10-01 04:00

通过迹估计实现快速的广义神经切线核统计

arXiv:2511.10796v2 Announce Type: replace-cross Abstract: The empirical state-space Neural Tangent Kernel (NTK) describes the local learning geometry of a finite-width neural network, but computing it explicitly is almost always impractical in terms of computation and memory cost…

本文如何被排名

报道来源 [1]

通过迹估计实现快速的广义神经切线核统计

相关实体

相关话题