随机特征网络弱到强泛化的二次改进
Get the story
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。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Statistics Machine Learning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
论文在两层随机特征网络（模型强度由宽度决定）中研究弱到强泛化，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。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。
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.