文件名称：《过参数化机器学习理论》综述论文
文件大小：2.03MB
文件格式：PDF
更新时间：2024-10-13 05:22:13
过参数化 ML理论
机器学习(ML)最近的快速进展提出了一些科学问题，挑战了该领域长期存在的教条。最重要的谜题之一是过度参数化模型的良好经验泛化。过度参数化的模型对于训练数据集的大小来说过于复杂，这导致它们完美地拟合(即插值)训练数据，而训练数据通常是有噪声的。这种对噪声数据的插值传统上与有害的过拟合有关，但最近观察到，从简单的线性模型到深度神经网络的各种插值模型在新测试数据上都能很好地泛化。