随机特征网络弱到强泛化的二次改进

2026年10月8日，arXiv Statistics Machine Learning 发布论文《随机特征网络中的二次弱到强泛化：基于随机矩阵理论的分析》。该研究在两层随机特征网络（模型强度由宽度决定）中探讨弱到强泛化，利用随机矩阵理论推导出最优训练教师与经梯度流训练的学生在总体误差上的确定性等价。针对 ReLU 激活与纯球谐目标，在高斯普适性假设下得到尖锐渐近：学生误差按教师误差的平方缩放，达到 Medvedev 等（2025）的一般下界，并刻画二次、非二次与无改进之间的转换区间。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。