热点事件持续更新
噪声线性循环神经网络学习动力学理论
1 篇报道1 家媒体或机构2 小时前更新
先了解这件事
AI 综述
2026年10月27日，arXiv q-bio.NC 发表一项理论分析，研究内在噪声如何调节循环神经网络（RNN）的表征学习。该研究基于线性激活函数与白噪声输入的可解析模型，发现噪声能强烈打破解空间简并，并在某些情况下决定非简并解是否存在。在权重初始值较小的“丰富区”，噪声强烈影响读入、读出与循环权重的对齐方向，并产生相变：噪声足够高时，若参数尺度受限（如通过正则化），非简并解甚至不再最优。目前该工作为单篇一手理论报道，尚无后续进展。
AI 根据报道生成 · 1 小时前更新
最新进展10月27日 12:00
arXiv 新发表理论分析，指出内在噪声可打破 RNN 解空间简并并引发相变。全部报道
同一件事各家媒体的报道，按发布时间排列。事情有了新的进展时，会单独列在「事件进展」里。
10月27日
- arXiv q-bio.NC（Neurons and Cognition）噪声线性循环神经网络学习动力学理论
一项理论分析表明，内在噪声能显著调节循环神经网络（RNN）的表征学习，可强烈打破解空间简并，并在某些情况下决定非简并解是否存在。研究基于线性激活函数与白噪声输入的可解析模型，发现在权重初始值较小的“丰富区”，噪声强烈影响读入、读出与循环权重的对齐方向，并产生相变：噪声足够高时，若参数尺度受限（如通过正则化），非简并解甚至不再最优。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。