热点事件持续更新
研究提出重整化群理论定量解释神经网络Grokking现象
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28日，arXiv发布的一项机器学习研究提出基于标度与重整化群（RG）理论的定量物理框架，用以描述深度神经网络中从记忆到泛化的Grokking延迟转变现象。针对双层神经网络在模加法任务中的表现，该研究通过构建神经元耦合矩阵定义有效几何，并利用块自旋聚合执行实空间重整化群。通过线性化该RG映射，研究成功导出了相关标度指数以及5个临界指数，其实验估计值与理论预测值的误差保持在1%至10%以内。
AI 根据报道生成 · 4 小时前更新
最新进展10月28日 12:00
研究提出重整化群物理框架，成功导出Grokking现象临界指数且误差在1%至10%内。报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv 机器学习神经网络中的标度与重整化：Grokking 现象的有效重整化群描述
研究提出基于标度与重整化群（RG）理论的定量物理框架，用于描述深度神经网络中从记忆到泛化的 Grokking 延迟转变现象。针对双层神经网络的模加法任务，研究通过构建神经元耦合矩阵定义有效几何，并利用块自旋聚合执行实空间 RG。线性化该 RG 映射成功导出相关标度指数与 5 个临界指数，其实验估计值与理论预测误差在 1-10% 以内。
本事件热度走势
当前热度 9·可比范围峰值 10（10月28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。