神经网络插值揭示了短暂的准确性峰值现象

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-06 05:00

研究人员在神经网络中发现了一种称为BUMP（短暂意外插值中期峰值）的现象，其中测试准确性在插值终点附近会暂时提高，然后下降。这种效应已在各种数据集、架构和训练方法中观察到，并且对早期检查点和极端剪枝等显著扰动具有鲁棒性。研究人员提出了一种新颖的集成方法——权重预测混合集成，该方法将权重混合与预测空间混合相结合。该方法在测试准确性方面始终优于标准的logit集成，并提供了改进的校准，证明了在权重和预测空间中混合的互补优势。 AI

影响识别出神经网络插值中的一种新颖现象，可能带来改进的集成技术。

排序理由该集群描述了一篇在arXiv上发表的研究论文，详细介绍了新发现的神经网络现象和提出的集成方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 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: 35 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇在arXiv上发表的研究论文，详细介绍了新发现的神经网络现象和提出的集成方法。[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, 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 stat.ML TIER_1 English(EN) · Melinda Fl\'ora Kiss, M\'arton Muntag, Adri\'an Csisz\'arik, D\'aniel Varga · 2026-11-06 05:00

BUMP：简短意外的中间插值峰值

arXiv:2611.08182v1 Announce Type: cross Abstract: We identify an intriguing phenomenon when linearly interpolating between permutation-aligned neural networks: test accuracy briefly improves near the interpolation endpoints before dropping toward the midpoint, which we term BUMP …

本文如何被排名

报道来源 [1]

BUMP：简短意外的中间插值峰值

相关实体

相关话题