arXiv ID:
2607.04135
arXiv 提交日期: 2026-07-05
打破遍历性与涨落-耗散定理的违反导致机器学习超越过拟合的泛化能力 / Broken Ergodicity and the Violation of the Fluctuation-Dissipation Theorem Lead to Generalization Beyond Overfitting in Machine Learning
1️⃣ 一句话总结
这篇论文利用动力学平均场理论揭示了神经网络在参数数量超过训练数据点时仍能良好泛化的“双下降”现象,实际上是一种由训练过程随机场理论中的相变引起的,该相变破坏了涨落-耗散定理和遍历性,其响应函数与超导转变中的伦敦模型形式相同,从而解释了神经网络为何能超越过拟合而实现准确泛化。