一篇新的研究论文探讨了过参数化神经网络中的认知不确定性，挑战了传统观点认为这种不确定性会随着数据量的增加而减小。研究强调，由于对称性等原因在这些网络中常见的不可识别模型参数，即使在底层函数完全被理解的情况下，也可能导致持续的不确定性。该研究分析了这种残余不确定性的离散和连续来源，重点关注单隐藏层ReLU网络，并通过实证研究验证了理论发现。 AI
影响 这项研究可能有助于我们更深入地理解模型的局限性，并为开发更鲁棒的神经网络架构提供信息。
排序理由 该集群包含一篇在arXiv上发表的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.25234v1 Announce Type: cross Abstract: Epistemic uncertainty is often viewed as a reducible uncertainty that vanishes with increasing data. This perspective implicitly assumes parameter identifiability and equates epistemic uncertainty with predictive variability. In o…
Epistemic uncertainty is often viewed as a reducible uncertainty that vanishes with increasing data. This perspective implicitly assumes parameter identifiability and equates epistemic uncertainty with predictive variability. In overparametrized neural networks, however, model pa…