12:00
官方账号arXiv cs.LG@Michael Rizvi-Martel, Satwik Bhattamishra, Guillaume Rabusseau, Michael Hahn
推荐理由：这篇论文讲了Transformer的理论短板——表达性研究够了，但学不学得会还不知道。他们用C-RASP给出了样本复杂度的初步界限，对想深挖模型理论的人很有用。
C-RASP
共 1 条相关 AI 资讯
7月14日
12:00
这篇论文聚焦Transformer的理论理解，指出已有研究大多分析其表达性，但很少涉及可学习性。受损失景观分析启发，作者初步提出了学习C-RASP构造的样本复杂度边界。该工作为理解Transformer在有限样本下的学习能力提供了理论基础。