حتماً میدانید که شبکههای عصبی عمیق گاهی با وجود یادگیریِ تمام نویزهای موجود در دادههای آموزشی، باز هم در دادههای جدید عملکرد بسیار خوبی دارند؛ پدیدهای که به آن «بیشبرازش خوشخیم» (Benign Overfitting) میگویند.
در مقالهی پژوهشی جدیدی که منتشر شده، دانشمندان نگاهی عمیقتر به طبقهبندیکنندههای خطی انداختهاند. آنها موفق شدهاند یک «گذار فاز» جدید در خطای تست مدلهای نویزی کشف کنند و نشان دهند که چرا مدلهای ما در سناریوهای واقعی، بسیار منعطفتر از تصورات قبلی ما عمل میکنند. این یافتهها درک ما از چرایی موفقیت مدلهای بزرگ در دنیای واقعی را چند پله ارتقا میدهد. 🧠✨
منبع: arXiv Machine Learning