arXiv stat.ML· Jivan Waber, Vanessa Piccolo, Yatin Dandi, Florent Krzakala·· 13 小时前AI 评分13
对称感知特征学习的多项式分离：多指标模型研究
Symmetry-Aware Feature Learning: A Polynomial Separation for Multi-Index Models
AI 导读
研究证明对称感知与对称无关特征学习间存在多项式样本复杂度分离。在秩增长的多指标模型中，权重共享架构与全群数据增强均以 Õ(d^{p-1}) 样本实现弱方向恢复，而对称无关学习需 Õ(rd^{p-1})；纯二次 Hermite 链接下对应复杂度为 Õ(d) 与 Õ(rd)。全群数据增强与架构权重共享样本效率相当，均优于无对称训练。
来源：arXiv stat.ML · arxiv.org