对称感知特征学习与对称无关学习存在多项式样本复杂度分离

一项关于多指标模型的研究证明，对称感知特征学习与对称无关特征学习之间存在多项式样本复杂度分离。在 $\mathbb{R}^d$ 上秩 $r=\Theta(d^\delta)$ 的多指标模型中，权重共享网络与全群数据增强仅需 $\widetilde{\Theta}(d^{p-1})$ 样本即可实现弱方向恢复，而对称无关学习则需要 $\widetilde{\Theta}(rd^{p-1})$ 样本。当 $r$ 随维度 $d$ 增长时，二者样本复杂度相差 $r$ 倍，表明利用对称性可显著降低学习所需样本量。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。