University of Oxford（牛津大学）

Convergence Analysis of Newton's Method for Neural Networks in the Overparameterized Limit

神经网络过参数化极限下牛顿方法的收敛性分析

Konstantin Riedl, Konstantinos Spiliopoulos, Justin Sirignano

机构 * Mathematical Institute（数学研究所） ； University of Oxford（牛津大学） ； Department of Mathematics & Statistics（数学与统计学系） ； Boston University（波士顿大学） 纠错

AI总结 本文研究了在过参数化极限下，正则化牛顿方法训练神经网络的收敛性问题，通过分析牛顿神经切线核（NNTK）的特性，证明了在无限宽极限下，神经网络以指数速度收敛到目标数据，并解决了频谱偏置问题。

Proportional Selection in Networks

网络中的比例选择

Georgios Papasotiropoulos, Oskar Skibski, Piotr Skowron, Tomasz Wąs

机构 * University of Warsaw（华沙大学） ； University of Oxford（牛津大学） 纠错

AI总结 本文研究了如何从网络中选择k个代表性节点，旨在识别最有影响力节点并确保选择比例反映网络的多样性，提出了两种方法并进行了理论分析和实验验证。

Comments This version has been accepted for publication at IJCAI'26