Sho Sonoda
PulseAugur coverage of Sho Sonoda — every cluster mentioning Sho Sonoda across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究探讨神经网络中的无限维零空间
Sho Sonoda 在 arXiv 上发表的一篇新论文探讨了连续宽度深度双层全连接神经网络中无限维零空间的存在、结构和作用。该研究介绍了一种求解神经网络方程的直接方法，确定了一个唯一的最小范数参数分布，并描述了加性参数扰动如何揭示编码在零空间中的信息。论文还包含其主要结果的 Lean 4 蓝图。
-
机器学习泛化界限在 Lean 4 中实现形式化
研究人员在 Lean 4 证明助手中使用 Rademacher 复杂度形式化了泛化误差界限。这项工作建立在 Mathlib 库中的测度论概率论的基础上。该形式化包括一个经过机械验证的流程，从定义到通过已证明的 McDiarmid 不等式实现高概率一致偏差界限，并应用于线性预测器和 Dudley 型熵积分界限。
-
论文：分层式证明器可提供指数级样本复杂度增益
研究人员 Sho Sonoda 等人发表了一篇论文，详细介绍了一种用于分析智能体定理证明器的统计学习方法。他们的工作侧重于从已验证的证明轨迹中进行模仿学习的样本复杂度，并比较了扁平化和分层式证明器结构。研究结果表明，当证明结构涉及大量复杂子论证的重复时，分层式证明器可以实现指数级更小的样本复杂度，这表明可重用证明组件具有潜在优势。
-
深度学习的深度优势由状态转移模型解释
一篇新的研究论文探讨了深度学习模型通常优于浅层模型的原因的理论基础。该研究引入了一个实现无关的状态转移模型来分析泛化界限，将近似误差与统计复杂度分离开来。它确定了有助于深度优势的特定几何和半群机制，表明当近似值快速改善而转移半群保持几何上温和时，深度在统计上是有益的。