研究揭示神经网络微扰敏感机制
热点事件持续更新
研究揭示神经网络微扰敏感机制
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Ly 与 Gong 的研究发现，在手写数字 VGG 网络实验中，两个初始权重相差十个数量级的模型经历相同的确定性训练后，仍会在约 2.9% 的输入上给出不同预测，且缩小初始差距并未明显降低分歧率。 实验使用随机梯度下降训练，且故意污染一半训练标签。作者从动力系统角度解释称，导致不同训练结局的初始点可在极细尺度上相互交织，形成类似“蝴蝶效应”的结构。
AI 根据报道生成 · 2 小时前更新
最新进展11月8日 01:15
Ly 与 Gong 研究：初始权重相差 10 个数量级，深度网络仍在约 3% 输入上分歧报道时间线
沿着报道，了解事件的不同侧面。
11月8日
- AGI HuntLy 与 Gong 研究：初始权重相差 10 个数量级，深度网络仍在约 3% 输入上分歧
Ly 与 Gong 的研究解释了深度学习为何对微小扰动敏感：两个神经网络初始权重相差 10 个数量级，训练后仍在约 2.9% 的输入上给出不同预测。实验以 SGD 训练含一半污染标签的手写数字 VGG 卷积网络，结果指向极细尺度上相互交织的初始点与类“蝴蝶效应”结构。
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。