从最小范数插值视角理解 Grokking
原文标题：Grokking through the Lens of Minimum-Norm Interpolation
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。
论文发展统计理论，刻画正则化几何与信号稀疏性如何支配插值附近的泛化，解释 Grokking 现象。在强过参数化无噪声问题中证明零一泛化律，并构造一族凸范数使插值器从全零预测跃迁至精确恢复。研究还揭示最小范数插值的统计不稳定性：正则强度微小扰动即可导致泛化剧变。
- 问题
- Grokking延迟泛化如何依赖归纳偏置与信号稀疏性。
- 方法
- 发展统计理论，刻画正则化几何与稀疏性对插值附近泛化的影响，构造凸范数族证明零一泛化律。
- 结果
- 证明零一泛化律与ℓr正则路径误差刻画，实验在对角线性网络等上验证。
- 影响
- 为理解过参数化模型何时从记忆跃迁到泛化提供定量工具，影响正则化与训练时长决策。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新统计理论证明零一泛化律，解释Grokking为何延迟发生
- •在强过参数化无噪声问题中证明零一泛化律，插值器可从全零预测跃迁至精确恢复
- •构造一族凸范数，在训练误差保持为0的同时改变泛化表现
- •特征维度与样本量成比例时，精确刻画ℓ_r正则化路径上的训练与泛化误差
- •泛化增益随范数更促进稀疏、目标更稀疏而增大，无噪声数据加ℓ_1正则时出现骤降
- •揭示最小范数插值的统计不稳定性：正则强度微小扰动即可导致泛化剧变
为什么重要：为Grokking这一训练与泛化脱节现象提供了可量化的理论解释，对理解隐式正则与稀疏性设计有直接参考价值。
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。