Branch Scaling Manifests as Implicit Architectural Regularization for Improving Generalization in Overparameterized ResNets
残差分支缩放作为隐式架构正则化改善过参数化 ResNet 的泛化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论神经网络架构与一般泛化理论，未明确涉及所列经济计量应用或细分方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
残差分支缩放作为隐式架构正则化改善过参数化 ResNet 的泛化
- 研究问题
- 残差分支缩放如何影响宽残差网络的泛化能力，固定缩放与随深度快速衰减的缩放为何可能产生不同的学习表现？
- 方法与思路
- 作者用神经切线核对应的核回归近似宽残差网络的泛化行为，研究缩放与早停，并通过合成和图像分类实验检验理论。
- 材料陈述的贡献
- 摘要称固定缩放下宽网络随深度增加会渐近不可学习，而快速深度衰减结合早停可使过参数化网络达到极小极大最优泛化率。
- 阅读关注点
- 应核对不可学习性的定义、网络宽度与深度的极限关系，以及核近似、缩放衰减和早停达到最优率所需的条件。
- 阅读边界
- 依据 arXiv v4 预印本摘要，不能据此声称已同行评审或期刊接收；定理条件未提供，不能将结论推广到任意有限宽度网络。
原文摘要
Scaling factors in residual branches have emerged as a prevalent method for boosting neural network performance, especially in normalization-free architectures. While prior work has primarily examined scaling effects from an optimization perspective, this paper investigates their role in residual architectures through the lens of generalization theory. Specifically, we establish that wide residual networks (ResNets) with constant scaling factors become asymptotically unlearnable as depth increases. In contrast, when the scaling factor exhibits rapid depth-wise decay combined with early stopping, over-parameterized ResNets achieve minimax-optimal generalization rates. To establish this, we demonstrate that the generalization capability of wide ResNets can be approximated by kernel regression associated with the Neural Tangent Kernel (NTK). Our theoretical findings are validated through experiments on synthetic data and real-world classification tasks, including MNIST and CIFAR-100.