English(EN) Do Flatter Minima Drive Better Generalization? An Algorithmic Separation in Grokking

研究发现，仅靠平坦度不足以实现神经网络的 grokking

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-09 04:00

研究人员调查了损失景观平坦度在神经网络泛化中的作用，特别是在 grokking 现象中。虽然之前的工作表明平坦度是泛化所必需的，但本研究发现，仅使用 Sharpness Aware Minimization (SAM)（它倾向于将训练导向更平坦的解）不足以可靠地诱导 grokking。然而，当 SAM 与权重衰减结合使用时，它能将泛化解的过渡速度在 epoch 层面提高多达四倍。对最小的两层 ReLU 模型的理论分析表明，仅靠平坦度无法区分记忆解和泛化解，但权重衰减有利于泛化，而 SAM 可以通过破坏记忆插值器来加速这一过渡。 AI

影响提供了对训练动态如何影响模型泛化更细致的理解，可能指导未来的优化技术。

排序理由学术论文，详细介绍了关于神经网络泛化的新发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了关于神经网络泛化的新发现。[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, model release; 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.LG TIER_1 English(EN) · Mohnish Harwani · 2026-10-09 04:00

更平坦的最小值是否能带来更好的泛化能力？Grokking算法中的分离分析

arXiv:2610.11206v1 Announce Type: new Abstract: Flat loss landscapes have long been linked to better generalization in neural networks. However, its role as a causal mechanism for generalization is less established. Grokking provides an unique testbed to understand this distincti…

本文如何被排名

报道来源 [1]

更平坦的最小值是否能带来更好的泛化能力？Grokking算法中的分离分析

相关实体

相关话题