热点事件持续更新
研究揭示训练损失平坦下的Grokking机制
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月19日，arXiv机器学习领域发布的一项研究探讨了模加法任务中的顿悟（Grokking）现象。研究发现，神经网络在训练交叉熵损失保持平坦甚至上升的过程中仍能持续学习。在保持100%训练准确率的同时，ReLU网络的隐层特征会持续演化，促使测试集准确率从0提升至90%以上。目前，该共存现象已在单隐层网络的理论定理、随机初始化的更深网络（p=47与61）以及1至2层的Transformer架构中均得到验证。
AI 根据报道生成 · 4 小时前更新
最新进展10月19日 12:00
研究发现在训练损失平坦时特征仍持续演化，测试集准确率可从0提升至90%以上。报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv 机器学习平坦损失与演化特征：模加法中的顿悟（Grokking）现象研究
研究发现在模加法任务中，神经网络在训练交叉熵损失保持平坦甚至上升时仍能持续学习。在保持 100% 训练准确率的同时，ReLU 网络的隐层特征持续演化，测试集准确率可从 0 提升至 90% 以上。该共存现象在单隐层网络理论定理、随机初始化的更深网络（p=47 与 61）以及 1-2 层的 Transformer 中均得到验证。
本事件热度走势
当前热度 9·可比范围峰值 10（10月19日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。