均值场神经网络训练中非线性观测量波动研究
Get the story
2026年10月8日，arXiv 统计学与机器学习栏目发布一项研究，主题为均值场神经网络训练中非线性观测量的波动。该研究在加权 Sobolev 空间中证明：浅层神经网络经随机梯度下降训练时，均值场波动可传播到有限维非线性观测量，并给出普通 Fréchet 可微条件下的泛函 Delta 方法。所得中心极限定理与显式协方差公式无需 Lions 导数。此外，在常数秩假设下，观测量微分的核包含于目标量微分的核，是目标量局部因式化的充要条件。目前报道仅涉及上述理论结果，未提及其他进展或应用验证。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine Learning均值场神经网络训练中非线性观测量的波动
该研究在加权 Sobolev 空间中证明，浅层神经网络经随机梯度下降训练时，均值场波动可传播到有限维非线性观测量，并给出普通 Fréchet 可微条件下的泛函 Delta 方法。所得中心极限定理与显式协方差公式无需 Lions 导数。在常数秩假设下，观测量微分的核包含于目标量微分的核是目标量局部因式化的充要条件。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.