TMLR论文：重新审视平坦与尖锐极小值

2026年10月15日，arXiv人工智能板块发布Israel Mason-Williams等作者的论文，从函数中心视角重新审视平坦与尖锐极小值与泛化的关系。研究将尖锐度视为依赖函数的属性，而非泛化能力的直接指标。作者通过单目标优化、合成非线性二分类和现代图像分类实验发现，同等最优解可呈现截然不同的局部几何。在合成任务中，提高决策边界紧致度会增加尖锐度，即使模型完美泛化；在大规模实验中，经权重衰减、数据增强或SAM正则化的模型往往出现更尖锐的极小值，却同时具备更好的泛化、校准、鲁棒性和函数一致性。论文据此主张重新审视尖锐度在模型性能中的角色。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。