English(EN) Parameterized Complexity of Stationarity Testing for Piecewise-Affine Functions and Shallow CNN Losses

新研究探讨AI训练损失平稳性的计算极限

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-11 08:59

研究人员分析了分段仿射函数和浅层CNN的平稳性检验的参数化复杂度。他们为易处理的情况开发了XP算法，并证明了其他情况的W[1]-困难性，表明在最坏情况下计算上是棘手的。这些发现延伸到局部最小性检验，并适用于简单ReLU CNN的训练损失。 AI

影响这项研究深入探讨了优化神经网络的理论计算挑战，特别是关于浅层CNN中的平稳性检验。

排序理由学术论文，详细介绍了理论计算复杂度结果。[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) · Yuhan Ye · 2026-05-11 08:59

分段仿射函数和浅层CNN损失的定常性检验的参数化复杂度

We study the parameterized complexity of testing approximate first-order stationarity at a prescribed point for continuous piecewise-affine (PA) functions, a basic task in nonsmooth optimization. PA functions form a canonical model for nonsmooth stationarity testing and capture t…