研究人员开发了一个新的理论框架，用于在非参数设置中适应贝叶斯后验分布。该研究侧重于具有p指数尾部的先验，证明了收缩率随着“p”的减小而提高，从而在特定状态下完全适应平滑度。这项工作对理解浅层ReLU神经网络具有启示作用，表明它们可以适应各种正则化水平。 AI
影响 为理解和改进神经网络模型的适应性提供了理论基础。
排序理由 该集群包含一篇详细介绍新理论框架及其应用的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
新理论改进了神经网络的贝叶斯后验适应性
报道来源 [2]
-
Leveraging tails for adaptation
arXiv:2606.20480v1 Announce Type: cross Abstract: We consider contraction of Bayesian posterior distributions in nonparametric settings where coefficients of a function over a basis or dictionary are given priors with $p$--exponential tails, including Laplace tails $(p=1)$ and he…
-
Leveraging tails for adaptation
We consider contraction of Bayesian posterior distributions in nonparametric settings where coefficients of a function over a basis or dictionary are given priors with $p$--exponential tails, including Laplace tails $(p=1)$ and heavier tails $(p<1)$. It is shown that contraction …