Grokking 记忆到泛化转变的量化规律
原文标题：Quantifying the Memorization-to-Generalization Transition: Scaling Laws and Phase Structure in Grokking
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究在模运算任务上扫描 384 组两层 MLP 配置，拟合出泛化起始时间的幂律标度关系，发现数据复杂度是主导因素而非模型容量。权重衰减约 1.0 处存在清晰相边界，权重范数在转变期单调压缩。该结果为预测和控制过参数化网络的状态转变提供了定量基础。
- 问题
- grokking何时发生缺乏超参数空间中的定量刻画，理论只解释为何发生。
- 方法
- 在模运算任务上扫描384组两层MLP配置，拟合泛化起始时间的幂律标度关系并定位相边界。
- 结果
- T_grok ∝ H^-0.27 D^-2.04 η^-0.50 λ^-0.64（R²=0.732），权重衰减约1.0处存在清晰相边界。
- 影响
- 数据复杂度而非模型容量主导转变，为预测和控制过参数化网络的状态转变提供定量依据。
深读 · 结论先行AI 生成展开看要点与影响 ↓
384组配置拟合出grokking起始时间幂律，数据复杂度D^-2.04为主导而非模型宽度
- •在模运算任务上扫描384组两层MLP配置，拟合T_grok∝H^-0.27·D^-2.04·η^-0.50·λ^-0.64，R²=0.732（含交互0.821）
- •数据翻倍使泛化加速约4倍，宽度翻倍仅约1.2倍
- •权重衰减λ≳1.0处存在清晰相边界，区分grokking与非grokking配置
- •转变期权重范数单调压缩，与隐式正则选择低复杂度解一致
为什么重要：为预测和控制过参数化网络的状态转变提供定量基础，对训练超参选择有直接指导意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。