热点事件持续更新
Dropout Universality: Scaling Laws and Optimal Scheduling at the Edge-of-Chaos
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
论文提出均值场理论分析 dropout 在混沌边缘的行为，识别平滑与折角激活的普适类及对应标度指数，并推导出最大化正则化效果时 dropout 应集中于输入层。实验在视觉、语音和金融时间序列上验证，MLP 增益最一致，Transformer 增益较小。论文已被 ICML 2026 接收。
AI 根据报道生成 · 2 小时前更新
最新进展9月30日 12:00
论文已被 ICML 2026 接收。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv · Neural and Evolutionary ComputingDropout Universality: Scaling Laws and Optimal Scheduling at the Edge-of-Chaos
论文提出均值场理论分析 dropout 在混沌边缘的行为，识别平滑与折角激活的普适类及对应标度指数，并推导出最大化正则化效果时 dropout 应集中于输入层。实验在视觉、语音和金融时间序列上验证，MLP 增益最一致，Transformer 增益较小。论文已被 ICML 2026 接收。
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。