arXiv · cs.AI· Guy Smorodinsky, Sveta Gimpleson, Itay Safran·· 5 小时前
非线性神经网络中梯度下降鲁棒性边界的收敛速率研究
On the Rate of Convergence of GD in Non-linear Neural Networks: An Adversarial Robustness Perspective
arXiv:2603.02095v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Guy Smorodinsky, Sveta Gimpleson, Itay Safran
研究任务与主要进展
基于论文摘要，作者证明在两神经元 ReLU 网络和两个训练样本的简化二分类设置中，梯度下降虽能收敛到最优鲁棒性边界，但其收敛速率仅为 。作者通过分析不同激活模式下的梯度下降轨迹建立理论界，并在多种自然网络初始化下用模拟观察到相同的紧密收敛速率。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org