English(EN) Non-vacuous Generalization Bounds for Deep Neural Networks without any modification to the trained models

新的界限证明了未经修改的深度神经网络的泛化能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

研究人员开发了一种新方法，可以在不改变训练模型的情况下为深度神经网络提供泛化界限。该方法揭示了泛化能力受到模型与数据分布几何形状之间相互作用的影响。该方法将泛化误差分解为分布复杂度和局部模型行为项，从而深入了解泛化差距发生的原因。 AI

影响为理解和认证大型、未经修改的深度学习模型的行为提供了一个理论框架。

排序理由该集群包含一篇学术论文，详细介绍了深度神经网络泛化界限的新方法。[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 stat.ML TIER_1 English(EN) · Khoat Than, Dat Phan · 2026-06-02 04:00

深度神经网络的非平凡泛化界限，无需对训练好的模型进行任何修改

arXiv:2503.07325v2 Announce Type: replace-cross Abstract: Understanding and certifying the behavior of modern deep neural networks remains a fundamental challenge in reliable machine learning. We introduce a new class of data-dependent generalization bounds that apply directly to…