12:27arXiv cs.LG@Claudio Nordio精选该研究探讨了具有固定读出层和二次损失的前馈ReLU网络,旨在将梯度下降重写为训练集空间上定义的场的集体动力学,而非权重空间的动力学。对于单隐层网络,可以从激活动力学中消除权重变量,得到残差的封闭方程,该方程由输入几何矩阵和动态共激活矩阵分解的集体核控制。对于更深网络,残差动力学保留了清晰的层级核结构,但从三层深度开始,封闭需要一组权重诱导的Gram算子层次结构来跨层传输信息。这项工作为理解深度网络的学习动态提供了新的理论视角。论文深度学习理论学习动力学Gram度量ReLU网络梯度下降推荐理由:该研究为深度网络学习动力学提供了新的理论框架,做深度学习理论或理解网络内部机制的读者可以直接参考其层级Gram度量方法。原文
10:39arXiv cs.LG@Carlo Wenig, Raoul-Martin Memmesheimer, Christian Klos脉冲神经网络(SNN)训练中广泛使用的LIF神经元存在参数微小变化导致脉冲消失/出现、损失景观碎片化的问题。最新研究发现,二次整合-发放(QIF)神经元能避免这些不连续性,实现连续平滑的梯度下降。在Spiking Heidelberg Digits数据集上,QIF网络通过超参数搜索后性能显著优于LIF网络。可视化显示LIF的损失景观更碎片化、梯度更不稳定,而QIF则更平滑。研究建议用QIF等连续脉冲动力学模型替代LIF进行梯度下降训练。论文脉冲神经网络LIF神经元QIF神经元梯度下降神经形态计算推荐理由:做SNN训练或神经形态计算的团队,LIF的脉冲不连续问题可能让你头疼——QIF神经元直接解决了这个痛点,性能更好且训练更稳定,值得在项目中试试替换。原文
13:36Weights & Biases@weights_biasesAndrej Karpathy 在社交媒体上发布了一条简短但引人深思的推文:“let there be descent”,引用自《创世纪》的“let there be light”变体。这条推文暗示了机器学习中梯度下降(descent)的核心地位,可能是在强调优化算法在AI训练中的根本作用。Karpathy 作为AI领域的重要人物,其言论常引发社区对基础概念的重新思考。这条推文可能是在鼓励开发者回归对优化本质的理解,而非追逐复杂模型。行业梯度下降KarpathyAI训练优化算法社区观点推荐理由:Karpathy 用一句话点醒了AI社区:别光顾着堆模型,梯度下降才是根本。做训练和优化的开发者看完会有感触,值得停下来想想。原文
23:56François Chollet@fcholletFrançois Chollet 在推文中澄清,符号学习(Symbolic learning)并非要取代编程智能体,而是作为梯度下降和神经网络的替代方案。他将其描述为一种低层次、完全通用且极其可扩展的新型学习基底。这一观点重新定义了符号学习的定位,表明它可能在未来AI系统中扮演更基础的角色,为模型优化提供不同于反向传播的新途径。AI模型符号学习梯度下降神经网络AI研究学习范式推荐理由:重塑对符号学习的认知,明确其作为底层学习范式的潜力,对AI研究者和从业者理解未来方向有参考价值。原文