## 摘要 同样一套网络、同一份标签噪声球面数据上的干净误差停在 **1.0249**几乎等于噪声方差 1换成 20 条直线的并集同一个数字掉到 **0.07**。差异不来自参数量而来自**数据自己的几何形状**。 《Generalization Below the Edge of Stability: The Role of Data Geometry》是 ICLR 2026 的论文来自 UC San Diego。它把「隐式正则有多强」换算成一个可算的量数据能被 ReLU 半空间切得多碎。结论有两条低维数据上的率只跟内在维数走是 $n^{-1/(2m4)}$质量越往球面挤率就越差极限处甚至能完全插值。 如果你在做小样本微调、数据筛选或者好奇「为什么真实数据比高斯难记」这篇给出了一条能算的解释链。 **视频讲解**[点击观看 B 站视频](https://www.bilibili.com/video/BV1LVn56pEV6) 本章节时间轴 - 00:48 作者介绍 - 01:39 研究背景与动机 - 02:46 相关工作 - 03:36 方法数据可碎裂性原理 - 05:33 实验设计 - 06:22 实验结果 - 08:11 深入分析 - 10:11 理论边界适用性与紧度 - 11:14 局限与讨论 - 12:01 要点总结 - 12:45 参考文献 [TOC] ## 论文基本信息 | 项目 | 内容 | |---|---| | 标题英文 | Generalization Below the Edge of Stability: The Role of Data Geometry | | 标题中文 | 稳定边缘之下数据几何决定隐式正则的强弱 | | 作者 | Tongtong Liang, Alexander Cloninger, Rahul Parhi, Yu-Xiang Wang | | 机构 | University of California, San Diego | | 会议 | ICLR 2026 | | arXiv | [2510.18120](https://arxiv.org/abs/2510.18120) | | 项目网站 | 论文未提供项目页 | ## 背景与动机 这一节讲清楚问题为什么值得算没有显式正则的网络到底是靠什么在控制容量。 故事的开头是一个老悖论。网络能轻松记住随机标签却在真实图像上表现出泛化。张量化的容量说不通因为参数数量远超样本数。 作者把注意力收窄到一类解梯度下降**能够稳定停留**的解。判据是边缘稳定性Edge of Stability简称 EoS要求损失的黑塞最大特征值不超过学习率倒数的两倍也就是 $\lambda_{\max}\le 2/\eta$。 在这个集合上已有工作Liang 等 2025 的神经碎裂、Qiao 等 2024、Nacson 等 2022把隐式正则写成了**数据相关的加权路径范数**。权重函数由训练集本身决定因此数据几何第一次真正进入容量控制。 缺口也在这里。前作只覆盖均匀球面这一个分布给的是一句结论换一个分布就没有可用的率。 | 已有工作 | 覆盖范围 | 本文补什么 | |---|---|---| | 神经碎裂Liang 等2025 | 均匀球面单一分布 | 推广到按几何参数化的族 | | Qiao 等2024 | 单变量输入 | 多变量 内在维数 | | 动力学视角Arora / Mei / Jin | 描述轨迹 | 给出端到端泛化率 | | 大间隔与算法稳定性 | 更松的界 | 与几何直接挂钩 | ## 研究主线从问题到结论 下面这张图是全文的路线先盯住稳定解再找一个能刻画数据形状的量然后把误差拆成两块分别计费。  **图 10流程图从悖论到稳定解再到半空间深度分位曲线最后拆成浅区与深区两块计费。** ## 基准/方法设计 这一节回答用什么量来衡量「数据容易被切碎」这件事。 作者选的工具是**半空间深度**也叫 Tukey 深度。它对一个点 $\vec{x}$ 的定义是过这个点的所有超平面里两侧数据质量的最小值。深度大的点位于数据云的内部深度小的点靠近边缘。 把深度超过阈值 $T$ 的点收集起来就得到 $T$-深区。深区是数据云的核心浅区是外壳。 关键观察是一句几何事实ReLU 神经元要在某个区域内部产生折线它的激活边界就必须穿过这个区域。而穿过深区的边界两侧数据质量都不低于 $T$。 于是权重函数在深区有一个正的下界。深区里的神经元被**强制**压低范数浅区里的神经元几乎没有约束。 最后用一个标量收尾把深度的分位函数记作 $\Psi(T)$取它曲线下面积的倒数得到浓度指数。面积越小、指数越大数据越可碎裂。  **图 1论文 Fig. 2(a)各向同性 Beta-径向族在 5 维下的分位曲线。曲线下面积越大深区越厚隐式正则越强。** ## 分类全景 这一节把四类分布摆在同一条坐标上从「质量挤在中心」到「质量贴在球面」可碎裂性单调上升。  **图 11分类图集中型、均衡型、低维并集、球面极限四类几何以及各自对应的率与结论。** ## 方法细节 这一节讲证明怎么走通以及为什么不能直接套均匀收敛。 主桥是一个不等式泛化间隙不超过浅区的概率质量加上深区上标准路径范数类的界。后者带着维数指数是 $g_{\min}(T)^{-d/(2d3)}n^{-(d3)/(4d6)}$。 这个拆分绕开了一个死结。由稳定性诱导出的函数类其度量熵是无穷的所以任何全局覆盖论证都会失败。 作者的应对是分区计费深区用函数空间覆盖浅区放弃覆盖、改用概率质量乘最坏幅度。 代入两族分布就得到两个结果。各向同性族里外壳质量按 $\varepsilon^{\alpha}$ 衰减权重函数按 $\varepsilon^{d2\alpha}$ 衰减对阈值优化后得到随 $\alpha$ 变化的光谱。 混合低维族里每一片用局部权重 $g_j$ 处理并证明全局权重大于等于局部权重。单片的 ReLU 激活只取决于权重在子空间上的投影所以率里出现的是内在维数 $m$。 极限处有一个构造球面上两两不同的点集总能被宽度不超过样本数的网络插值且黑塞最大特征值不超过 $1(D^22)/n$。  **图 2论文 Fig. 2(b)高可碎裂几何集中参数 0.5。固定每个球冠的概率质量后能塞下多少个互不相交的球冠就是可碎裂性的直观度量。** ## 实验设计与结果 这一节给出受控对照只改一个几何变量看率怎么变。 合成主实验的设置是两层 ReLU、宽度 1000、均方误差损失、普通梯度下降、学习率 0.4、20000 轮。指标是对无噪声教师的真均方误差再把它的对数对样本数对数做回归取斜率。 | 几何 | 理论预测 | 实测现象 | |---|---|---| | Beta 径向集中参数大 | $n^{-\alpha(d3)/[2(d^24\alpha d3\alpha)]}$ | 斜率更陡 | | Beta 径向集中参数小 | $n^{-\alpha/(2d4\alpha)}$ | 斜率变平 | | 20 条直线并集 | $n^{-1/(2m4)}n^{-1/6}$ | 周围维数 10 到 500 斜率不变 | | 单位球面 | 可插值宽度不超过样本数 | 真误差 1.0249 | | MNIST | 记忆被推迟 | 数千轮仍不插值 | 第一组扫描固定 5 维集中参数取 0.1、0.3、1.5、5.0。四条曲线的斜率随参数单调变陡方向与光谱一致。 第二组固定内在维数为 1把周围维数从 10 放大到 500共 50 倍。斜率几乎重合。这是全文最有说服力的一张图。 真实数据那一组用 30000 个样本、784 维比较高斯输入与 MNIST。两者共享教师函数、架构与初始化。  **图 3论文 Fig. 4(a)固定 5 维四个集中参数的干净误差曲线。参数越大质量越靠中心斜率越陡。**  **图 4论文 Fig. 4(b)20 条直线嵌在不同维数空间中。四条曲线的斜率几乎重合说明率跟着内在维数走。**  **图 5论文 Fig. 5(a)球面几何下多数神经元只在不到一成数据上激活低维并集上一大批落在百分之十到四十。**  **图 6论文 Fig. 6左高斯与 MNIST 的前 5000 轮训练曲线。高斯迅速插值到噪声线MNIST 的干净误差长期压在线下。** ## 理论边界与补充证据 这一节说明这个指标什么时候会失真以及实验是否真的处在稳定边缘。 各向异性是最典型的失真场景。数据落在直线上时高维球冠退化成有限的结点可用的分割方向骤减。此时浓度指数偏大却并不真的可碎裂只能当保守代理用。 上界不紧还有第二个原因。深区用整个最坏变差一次结清浅区用最坏幅度乘质量等于只用了分位曲线下的一个内接矩形剩余面积被丢掉。 下界的口径也要注意。它是极小极大的对所有经验风险估计器成立不针对某一条具体轨迹。 实验侧的验证是黑塞最大特征值。两种几何下它都在 5 附近振荡也就是学习率倒数两倍 $2/\eta$ 的位置说明实验确实工作在临界区。 MNIST 还有一条空间证据。按半空间深度把样本分五组浅点的误差均值与中位数都更高并拖出长尾深点误差明显更小。  **图 7论文 Fig. 3(a)数据落在直线并集上时ReLU 的激活边界退化成有限个结点可切分方向因此减少。**  **图 8论文附录 Fig. 8两种几何下的黑塞最大特征值。两条曲线都在 5 附近振荡验证实验处在边缘稳定性区。**  **图 9论文附录 Fig. 9MNIST 在第 5000 轮的误差按半空间深度五分位统计。浅区误差明显更高。** ## 结果对比总结 这一节把三条几何的结果压缩成一张对照图边上的数字就是关键读数。  **图 12流程图三条几何的关键读数球面真误差 1.0249、低维并集 0.07、维数放大 50 倍斜率不变。** ## 关键发现 1. 可碎裂性是一个能算的几何量。它由半空间深度分位曲线下面积决定面积越大正则越强。 2. 内在维数律成立。20 条直线、周围维数从 10 到 500 放大 50 倍斜率几乎不变。 3. 球面极限真的能插值。宽度不超过样本数的网络满足稳定性条件真误差 1.0249 对齐噪声方差。 4. 低维数据拒绝记忆。同配方下 20 条直线的真误差只有 0.07噪声基本没被吸收。 5. 表示层有签名。球面上多数神经元激活率不到一成低维并集上集中在一成到四成。 6. 真实数据只是近似低维。MNIST 不完全落在子空间上但这点结构已足以把记忆推迟数千轮。 ## 局限性 1. 浓度指数主要对各向同性分布成立。推广到任意各向异性数据作者说仍是非平凡问题。 2. 结论限于两层 ReLU 网络。深层网络里稳定性约束如何逐层传播缺少工具。 3. 上界只用一个内接矩形。改进空间明确但没做出来。 4. 不分析动力学本身。附录的梯度视角是非形式讨论不是轨迹级证明。 5. 下界是极小极大的。它说明可达到性的极限不等于梯度下降一定落到坏解。 ## 常见问题FAQ ### 复现这套实验要多少算力 论文没给硬件细节只给了配置宽度 1000、20000 轮、学习率 0.4以及表示实验的宽度 1024、10000 轮。合成数据规模不大单卡可跑。 ### 它和神经碎裂那篇是什么关系 神经碎裂是前作证明平坦解在均匀球面上遭遇维数灾难。这篇把对象从网络换成数据把单点结论扩展成按几何参数化的光谱。 ### 为什么只做两层网络 两层能让函数空间的分析保持可解。路径范数与变差空间的对应关系在两层上有现成工具深层缺同样的对照物。 ### 上界不紧还能用吗 能用来判断趋势与指数方向。作者明确写了改进路径把分位曲线下的整块面积用上而不是只取一个矩形。 ### 分析结果对数据筛选有用吗 有启发。既然难碎裂是泛化来源筛选与增强都可以问一句它改变了可碎裂性吗目前这仍是方向不是现成算法。 ## 参考链接 - 论文 arXiv 摘要页[arxiv.org/abs/2510.18120](https://arxiv.org/abs/2510.18120) - 前作神经碎裂[arxiv.org/abs/2506.20779](https://arxiv.org/abs/2506.20779) - 边缘稳定性的原始工作[arXiv 2006.04770](https://arxiv.org/abs/2006.04770) - 重新思考泛化Zhang 等ICLR 2017[arXiv 1611.03530](https://arxiv.org/abs/1611.03530) - 作者主页UC San Diego[ucsd.edu](https://cseweb.ucsd.edu/~yuxiangw/) --- 给大家推荐一款自用写文献综述、无虚构文献的 AI **复旦大学 FudanNLP 团队自研 [切问学术](https://qiewenpaper.com/zh?utm_sourcebzkolutm_contentbaishi)** 官网[qiewenpaper.com](https://qiewenpaper.com/zh?utm_sourcebzkolutm_contentbaishi) 覆盖 **3.6 亿篇**可溯源真实中英文文献能自动整合文献观点生成规范综述 还能挖掘研究创新点、复现实验配合视频教学新手快速上手文献综述写作 --- **后记** 博客的关键词集中在编程、算法、机器人、人工智能、数学等等持续高质量输出中。 **讨论QQ群**[白拾的小屋](https://qun.qq.com/universal-share/share?ac1authKeySuzrb5NKb9KulvZxFC8EMFvcd6jgVp%2B%2BnTG8h351HWQorXVfvI1n5QwEX5dlJyThbusi_dataeyJncm91cENvZGUiOiI3NTAzNjU3MDAiLCJ0b2tlbiI6IlpFL2xLaGYxdXU4cWJPT2dJTkY3aExnWHNaQ1UrL3NJbWprenhLZitWUHVVNmhIR1M5SkZrS09SWmxKNlRreksiLCJ1aW4iOiIyMjc1OTYwNDg2In0%3DdatahgymRnqgtjQPGoBKhZ8cEyznp0CMLWfCbG4rfiWIADCArVXw50a7c-Q4MWU2Eq3dwOUjG19hamAWQQU4lY-cOQsvctype4tempidh5_group_info) (750365700) **⭐B站账号**[白拾的物理AI组会](https://space.bilibili.com/98639326)活跃于知识区和动画区 **✨GitHub主页**[YhbCode000](https://github.com/yhbcode000)工程文件 【ICLR 2026】EoS 几何：稳定边缘之下，数据几何决定隐式正则的强弱｜从泛化理论视角
## 摘要 同样一套网络、同一份标签噪声球面数据上的干净误差停在 **1.0249**几乎等于噪声方差 1换成 20 条直线的并集同一个数字掉到 **0.07**。差异不来自参数量而来自**数据自己的几何形状**。 《Generalization Below the Edge of Stability: The Role of Data Geometry》是 ICLR 2026 的论文来自 UC San Diego。它把「隐式正则有多强」换算成一个可算的量数据能被 ReLU 半空间切得多碎。结论有两条低维数据上的率只跟内在维数走是 $n^{-1/(2m4)}$质量越往球面挤率就越差极限处甚至能完全插值。 如果你在做小样本微调、数据筛选或者好奇「为什么真实数据比高斯难记」这篇给出了一条能算的解释链。 **视频讲解**[点击观看 B 站视频](https://www.bilibili.com/video/BV1LVn56pEV6) 本章节时间轴 - 00:48 作者介绍 - 01:39 研究背景与动机 - 02:46 相关工作 - 03:36 方法数据可碎裂性原理 - 05:33 实验设计 - 06:22 实验结果 - 08:11 深入分析 - 10:11 理论边界适用性与紧度 - 11:14 局限与讨论 - 12:01 要点总结 - 12:45 参考文献 [TOC] ## 论文基本信息 | 项目 | 内容 | |---|---| | 标题英文 | Generalization Below the Edge of Stability: The Role of Data Geometry | | 标题中文 | 稳定边缘之下数据几何决定隐式正则的强弱 | | 作者 | Tongtong Liang, Alexander Cloninger, Rahul Parhi, Yu-Xiang Wang | | 机构 | University of California, San Diego | | 会议 | ICLR 2026 | | arXiv | [2510.18120](https://arxiv.org/abs/2510.18120) | | 项目网站 | 论文未提供项目页 | ## 背景与动机 这一节讲清楚问题为什么值得算没有显式正则的网络到底是靠什么在控制容量。 故事的开头是一个老悖论。网络能轻松记住随机标签却在真实图像上表现出泛化。张量化的容量说不通因为参数数量远超样本数。 作者把注意力收窄到一类解梯度下降**能够稳定停留**的解。判据是边缘稳定性Edge of Stability简称 EoS要求损失的黑塞最大特征值不超过学习率倒数的两倍也就是 $\lambda_{\max}\le 2/\eta$。 在这个集合上已有工作Liang 等 2025 的神经碎裂、Qiao 等 2024、Nacson 等 2022把隐式正则写成了**数据相关的加权路径范数**。权重函数由训练集本身决定因此数据几何第一次真正进入容量控制。 缺口也在这里。前作只覆盖均匀球面这一个分布给的是一句结论换一个分布就没有可用的率。 | 已有工作 | 覆盖范围 | 本文补什么 | |---|---|---| | 神经碎裂Liang 等2025 | 均匀球面单一分布 | 推广到按几何参数化的族 | | Qiao 等2024 | 单变量输入 | 多变量 内在维数 | | 动力学视角Arora / Mei / Jin | 描述轨迹 | 给出端到端泛化率 | | 大间隔与算法稳定性 | 更松的界 | 与几何直接挂钩 | ## 研究主线从问题到结论 下面这张图是全文的路线先盯住稳定解再找一个能刻画数据形状的量然后把误差拆成两块分别计费。  **图 10流程图从悖论到稳定解再到半空间深度分位曲线最后拆成浅区与深区两块计费。** ## 基准/方法设计 这一节回答用什么量来衡量「数据容易被切碎」这件事。 作者选的工具是**半空间深度**也叫 Tukey 深度。它对一个点 $\vec{x}$ 的定义是过这个点的所有超平面里两侧数据质量的最小值。深度大的点位于数据云的内部深度小的点靠近边缘。 把深度超过阈值 $T$ 的点收集起来就得到 $T$-深区。深区是数据云的核心浅区是外壳。 关键观察是一句几何事实ReLU 神经元要在某个区域内部产生折线它的激活边界就必须穿过这个区域。而穿过深区的边界两侧数据质量都不低于 $T$。 于是权重函数在深区有一个正的下界。深区里的神经元被**强制**压低范数浅区里的神经元几乎没有约束。 最后用一个标量收尾把深度的分位函数记作 $\Psi(T)$取它曲线下面积的倒数得到浓度指数。面积越小、指数越大数据越可碎裂。  **图 1论文 Fig. 2(a)各向同性 Beta-径向族在 5 维下的分位曲线。曲线下面积越大深区越厚隐式正则越强。** ## 分类全景 这一节把四类分布摆在同一条坐标上从「质量挤在中心」到「质量贴在球面」可碎裂性单调上升。  **图 11分类图集中型、均衡型、低维并集、球面极限四类几何以及各自对应的率与结论。** ## 方法细节 这一节讲证明怎么走通以及为什么不能直接套均匀收敛。 主桥是一个不等式泛化间隙不超过浅区的概率质量加上深区上标准路径范数类的界。后者带着维数指数是 $g_{\min}(T)^{-d/(2d3)}n^{-(d3)/(4d6)}$。 这个拆分绕开了一个死结。由稳定性诱导出的函数类其度量熵是无穷的所以任何全局覆盖论证都会失败。 作者的应对是分区计费深区用函数空间覆盖浅区放弃覆盖、改用概率质量乘最坏幅度。 代入两族分布就得到两个结果。各向同性族里外壳质量按 $\varepsilon^{\alpha}$ 衰减权重函数按 $\varepsilon^{d2\alpha}$ 衰减对阈值优化后得到随 $\alpha$ 变化的光谱。 混合低维族里每一片用局部权重 $g_j$ 处理并证明全局权重大于等于局部权重。单片的 ReLU 激活只取决于权重在子空间上的投影所以率里出现的是内在维数 $m$。 极限处有一个构造球面上两两不同的点集总能被宽度不超过样本数的网络插值且黑塞最大特征值不超过 $1(D^22)/n$。  **图 2论文 Fig. 2(b)高可碎裂几何集中参数 0.5。固定每个球冠的概率质量后能塞下多少个互不相交的球冠就是可碎裂性的直观度量。** ## 实验设计与结果 这一节给出受控对照只改一个几何变量看率怎么变。 合成主实验的设置是两层 ReLU、宽度 1000、均方误差损失、普通梯度下降、学习率 0.4、20000 轮。指标是对无噪声教师的真均方误差再把它的对数对样本数对数做回归取斜率。 | 几何 | 理论预测 | 实测现象 | |---|---|---| | Beta 径向集中参数大 | $n^{-\alpha(d3)/[2(d^24\alpha d3\alpha)]}$ | 斜率更陡 | | Beta 径向集中参数小 | $n^{-\alpha/(2d4\alpha)}$ | 斜率变平 | | 20 条直线并集 | $n^{-1/(2m4)}n^{-1/6}$ | 周围维数 10 到 500 斜率不变 | | 单位球面 | 可插值宽度不超过样本数 | 真误差 1.0249 | | MNIST | 记忆被推迟 | 数千轮仍不插值 | 第一组扫描固定 5 维集中参数取 0.1、0.3、1.5、5.0。四条曲线的斜率随参数单调变陡方向与光谱一致。 第二组固定内在维数为 1把周围维数从 10 放大到 500共 50 倍。斜率几乎重合。这是全文最有说服力的一张图。 真实数据那一组用 30000 个样本、784 维比较高斯输入与 MNIST。两者共享教师函数、架构与初始化。  **图 3论文 Fig. 4(a)固定 5 维四个集中参数的干净误差曲线。参数越大质量越靠中心斜率越陡。**  **图 4论文 Fig. 4(b)20 条直线嵌在不同维数空间中。四条曲线的斜率几乎重合说明率跟着内在维数走。**  **图 5论文 Fig. 5(a)球面几何下多数神经元只在不到一成数据上激活低维并集上一大批落在百分之十到四十。**  **图 6论文 Fig. 6左高斯与 MNIST 的前 5000 轮训练曲线。高斯迅速插值到噪声线MNIST 的干净误差长期压在线下。** ## 理论边界与补充证据 这一节说明这个指标什么时候会失真以及实验是否真的处在稳定边缘。 各向异性是最典型的失真场景。数据落在直线上时高维球冠退化成有限的结点可用的分割方向骤减。此时浓度指数偏大却并不真的可碎裂只能当保守代理用。 上界不紧还有第二个原因。深区用整个最坏变差一次结清浅区用最坏幅度乘质量等于只用了分位曲线下的一个内接矩形剩余面积被丢掉。 下界的口径也要注意。它是极小极大的对所有经验风险估计器成立不针对某一条具体轨迹。 实验侧的验证是黑塞最大特征值。两种几何下它都在 5 附近振荡也就是学习率倒数两倍 $2/\eta$ 的位置说明实验确实工作在临界区。 MNIST 还有一条空间证据。按半空间深度把样本分五组浅点的误差均值与中位数都更高并拖出长尾深点误差明显更小。  **图 7论文 Fig. 3(a)数据落在直线并集上时ReLU 的激活边界退化成有限个结点可切分方向因此减少。**  **图 8论文附录 Fig. 8两种几何下的黑塞最大特征值。两条曲线都在 5 附近振荡验证实验处在边缘稳定性区。**  **图 9论文附录 Fig. 9MNIST 在第 5000 轮的误差按半空间深度五分位统计。浅区误差明显更高。** ## 结果对比总结 这一节把三条几何的结果压缩成一张对照图边上的数字就是关键读数。  **图 12流程图三条几何的关键读数球面真误差 1.0249、低维并集 0.07、维数放大 50 倍斜率不变。** ## 关键发现 1. 可碎裂性是一个能算的几何量。它由半空间深度分位曲线下面积决定面积越大正则越强。 2. 内在维数律成立。20 条直线、周围维数从 10 到 500 放大 50 倍斜率几乎不变。 3. 球面极限真的能插值。宽度不超过样本数的网络满足稳定性条件真误差 1.0249 对齐噪声方差。 4. 低维数据拒绝记忆。同配方下 20 条直线的真误差只有 0.07噪声基本没被吸收。 5. 表示层有签名。球面上多数神经元激活率不到一成低维并集上集中在一成到四成。 6. 真实数据只是近似低维。MNIST 不完全落在子空间上但这点结构已足以把记忆推迟数千轮。 ## 局限性 1. 浓度指数主要对各向同性分布成立。推广到任意各向异性数据作者说仍是非平凡问题。 2. 结论限于两层 ReLU 网络。深层网络里稳定性约束如何逐层传播缺少工具。 3. 上界只用一个内接矩形。改进空间明确但没做出来。 4. 不分析动力学本身。附录的梯度视角是非形式讨论不是轨迹级证明。 5. 下界是极小极大的。它说明可达到性的极限不等于梯度下降一定落到坏解。 ## 常见问题FAQ ### 复现这套实验要多少算力 论文没给硬件细节只给了配置宽度 1000、20000 轮、学习率 0.4以及表示实验的宽度 1024、10000 轮。合成数据规模不大单卡可跑。 ### 它和神经碎裂那篇是什么关系 神经碎裂是前作证明平坦解在均匀球面上遭遇维数灾难。这篇把对象从网络换成数据把单点结论扩展成按几何参数化的光谱。 ### 为什么只做两层网络 两层能让函数空间的分析保持可解。路径范数与变差空间的对应关系在两层上有现成工具深层缺同样的对照物。 ### 上界不紧还能用吗 能用来判断趋势与指数方向。作者明确写了改进路径把分位曲线下的整块面积用上而不是只取一个矩形。 ### 分析结果对数据筛选有用吗 有启发。既然难碎裂是泛化来源筛选与增强都可以问一句它改变了可碎裂性吗目前这仍是方向不是现成算法。 ## 参考链接 - 论文 arXiv 摘要页[arxiv.org/abs/2510.18120](https://arxiv.org/abs/2510.18120) - 前作神经碎裂[arxiv.org/abs/2506.20779](https://arxiv.org/abs/2506.20779) - 边缘稳定性的原始工作[arXiv 2006.04770](https://arxiv.org/abs/2006.04770) - 重新思考泛化Zhang 等ICLR 2017[arXiv 1611.03530](https://arxiv.org/abs/1611.03530) - 作者主页UC San Diego[ucsd.edu](https://cseweb.ucsd.edu/~yuxiangw/) --- 给大家推荐一款自用写文献综述、无虚构文献的 AI **复旦大学 FudanNLP 团队自研 [切问学术](https://qiewenpaper.com/zh?utm_sourcebzkolutm_contentbaishi)** 官网[qiewenpaper.com](https://qiewenpaper.com/zh?utm_sourcebzkolutm_contentbaishi) 覆盖 **3.6 亿篇**可溯源真实中英文文献能自动整合文献观点生成规范综述 还能挖掘研究创新点、复现实验配合视频教学新手快速上手文献综述写作 --- **后记** 博客的关键词集中在编程、算法、机器人、人工智能、数学等等持续高质量输出中。 **讨论QQ群**[白拾的小屋](https://qun.qq.com/universal-share/share?ac1authKeySuzrb5NKb9KulvZxFC8EMFvcd6jgVp%2B%2BnTG8h351HWQorXVfvI1n5QwEX5dlJyThbusi_dataeyJncm91cENvZGUiOiI3NTAzNjU3MDAiLCJ0b2tlbiI6IlpFL2xLaGYxdXU4cWJPT2dJTkY3aExnWHNaQ1UrL3NJbWprenhLZitWUHVVNmhIR1M5SkZrS09SWmxKNlRreksiLCJ1aW4iOiIyMjc1OTYwNDg2In0%3DdatahgymRnqgtjQPGoBKhZ8cEyznp0CMLWfCbG4rfiWIADCArVXw50a7c-Q4MWU2Eq3dwOUjG19hamAWQQU4lY-cOQsvctype4tempidh5_group_info) (750365700) **⭐B站账号**[白拾的物理AI组会](https://space.bilibili.com/98639326)活跃于知识区和动画区 **✨GitHub主页**[YhbCode000](https://github.com/yhbcode000)工程文件