研究人员已经证伪了关于在具有大常数步长的梯度下降下,可分离逻辑回归的过渡时间界限的猜想。此前,人们认为在维度大于或等于二的情况下,过渡时间将独立于步长。然而,本文证明了对于固定的样本量和足够小的裕度,过渡时间取决于步长的大小,具体来说,其缩放比例为 $(\log\eta)^{\min\{n-2,d-2\}}$。这一发现是通过控制对梯度影响最大的样本变化并构建匹配的困难实例来确立的。 AI
影响 这项研究完善了对梯度下降动力学的理论理解,可能影响优化算法的设计。
排序理由 该条目是一篇详细介绍机器学习理论发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Edge of Stability
- gradient descent
- Hugging Face
- IArxiv
- logistic regression
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →