English(EN) Flat Loss, Evolving Features: Grokking in Modular Addition

研究发现：神经网络可在训练损失平坦的情况下学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员证明，即使在训练损失相对平坦的情况下，神经网络也能继续学习并提高性能。他们使用ReLU网络和特定的更新规则来处理模块化加法任务，观察到隐藏特征在演化，而保留的准确性显著提高，尽管训练交叉熵保持稳定。这种被称为“领悟”（grokking）的现象表明，最小化交叉熵并非正确分类的必要条件，因为预测置信度也会影响该指标。研究进一步显示，在更深的网络和Transformer模型中也存在平坦损失与学习并存的现象，这表明训练损失的平台期不一定意味着学习的终结。 AI

影响挑战了最小化训练损失是模型改进唯一驱动力的假设，为训练更鲁棒的模型开辟了新途径。

排序理由该集群包含一篇详细介绍机器学习新发现的学术论文。[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: 9 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍机器学习新发现的学术论文。[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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Akash Kumar, Karthik Sankaranarayanan · 2026-10-19 04:00

平坦损失，演进特征：模块化加法中的 Grokking

arXiv:2610.22593v1 Announce Type: new Abstract: Can a network keep learning while its training cross-entropy stays nearly flat at a positive level? We show that it can. On modular addition, a standard testbed for grokking, ReLU networks trained with supported-Polar hidden updates…

本文如何被排名

报道来源 [1]

平坦损失，演进特征：模块化加法中的 Grokking

相关实体

相关话题