EPFL（洛桑联邦理工学院）

Fast Rates for Inverse Reinforcement Learning

逆强化学习的快速收敛率

Andreas Schlaginhaufen, Maryam Kamgarpour

机构 * EPFL（瑞士联邦理工学院） 纠错

AI总结 本文研究了熵正则化min-max逆强化学习在有限时间 horizon MDPs中的结构和统计特性，证明了在有限样本下，轨迹级KL散度和参数误差以O(n^{-1})速度收敛。

Scaling Laws and Spectra of Shallow Neural Networks in the Feature Learning Regime

浅层神经网络在特征学习 regime 中的缩放定律与谱特性

Leonardo Defilippis, Yizhou Xu, Julius Girardin, Emanuele Troiani, Vittorio Erba, Lenka Zdeborová, Bruno Loureiro, Florent Krzakala

机构 * Departement d’Informatique, École Normale Supérieure, PSL & CNRS（信息学院，巴黎高等师范学院，PSL与CNRS） ； Statistical Physics of Computation Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（计算统计物理实验室，洛桑联邦理工学院（EPFL）） ； Information, Learning and Physics Laboratory, École Polytechnique Fédérale de Lausanne (EPFL)（信息、学习与物理实验室，洛桑联邦理工学院（EPFL）） 纠错

AI总结 本文研究了浅层神经网络在特征学习 regime 中的缩放定律与谱特性，通过分析二次和对角神经网络的缩放规律，揭示了样本复杂度和权重衰减对过剩风险缩放指数的影响，并建立了这些 regime 与训练网络权重谱性质的精确联系。

Journal ref ICLR 2026