热点事件持续更新
常步长 SGD 不变分布的高斯近似研究
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
2026 年 10 月 3 日，一篇发表于 arXiv cs.LG 分类的论文研究了常步长随机梯度下降（SGD）的不变分布。研究设定为由外生一致遍历 Markov 链生成有界加性噪声，针对光滑强凸且 Hessian 满足 Lipschitz 的目标函数，证明常步长 SGD 的不变分布可用高斯分布精确近似：将中心化迭代除以步长平方根后，其与极限高斯分布的 1-Wasserstein 距离为 O(√α)。目前该工作以预印本形式公开，尚无后续报道或同行评议结果。
AI 根据报道生成 · 2 小时前更新
最新进展10月3日 12:00
arXiv 新论文证明常步长 SGD 不变分布可被高斯分布精确近似。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）常步长 SGD 不变分布的精确高斯近似
研究证明，在由外生一致遍历 Markov 链生成有界加性噪声时，常步长 SGD 的不变分布可用高斯分布精确近似：对光滑强凸且 Hessian 满足 Lipschitz 的目标函数，中心化迭代除以步长平方根后，与极限高斯分布的 1-Wasserstein 距离为 O(√α)。
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。