热点事件持续更新
研究提出基于L-平滑度的优化器深度迁移理论
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月14日，arXiv机器学习领域发布了一项关于神经网络优化器深度迁移的研究。该研究基于L-平滑度框架展开，研究人员提出将残差分支缩放系数设定为与深度倒数成正比（α=Θ(1/K)）。通过这一设定，能够在固定网络宽度的条件下，使损失函数的Lipschitz常数以及L-平滑度常数均与网络深度保持无关，为神经网络跨深度的优化器超参数迁移提供了理论依据与支持。
AI 根据报道生成 · 2 小时前更新
最新进展10月14日 12:00
研究提出将残差分支缩放设为与深度倒数成正比，使平滑度常数与深度无关。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- arXiv 机器学习基于 L-平滑度的神经网络优化器深度迁移研究
研究人员基于 L-平滑度框架，提出将残差分支缩放设为与深度倒数成正比（$\alpha=\Theta(1/K)$），可使损失的 Lipschitz 和 L-平滑度常数在固定宽度下与深度无关。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。