热点事件观察中
学者提出有限步长SGD的随机学习流理论
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
2026年11月3日，arXiv机器学习领域发表的一项研究针对有限步长随机梯度下降（SGD）提出了“随机学习流”（SLF）矩方程。该理论在高斯闭包下，推导出了学习率 $\eta$ 一阶精度下的参数分布均值与协方差动力学。研究指出，参数均值沿受到协方差与损失曲率正则化的有效损失下降，且协方差在曲率达到 $2/\eta$ 时失稳。在线性和非线性网络中，SLF相较于梯度流能够更准确地预测学习曲线与均值轨迹，并揭示了稳定边缘机制。
AI 根据报道生成 · 1 天前更新
最新进展11月3日 13:00
研究针对有限步长SGD提出随机学习流矩方程，更准确预测学习曲线并揭示稳定边缘机制。报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv 机器学习随机学习流：有限步长下 SGD 的矩方程
研究针对有限步长 SGD 提出了“随机学习流”（SLF）矩方程，在高斯闭包下推导出学习率 $\eta$ 一阶精度下的参数分布均值与协方差动力学。该理论表明均值沿受协方差与损失曲率正则化的有效损失下降，且协方差在曲率达到 $2/\eta$ 时失稳。在线性与非线性网络中，SLF 比梯度流更准确地预测了学习曲线与均值轨迹，并揭示了稳定边缘机制。
本事件热度走势
当前热度 4·可比范围峰值 9（11月3日 18:00）·近 24 小时可比范围变化-49%
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。