University of California, San Diego（加州大学圣迭戈分校）

Breaking Data Symmetry is Needed For Generalization in Feature Learning Kernels

打破数据对称性是特征学习核泛化所必需的

Marcel Tomàs Bernal, Neil Rohit Mallinar, Mikhail Belkin

机构 * CFIS UPC（UPC 计算机科学与信息系） ； UC San Diego（加州大学圣地亚哥分校） 纠错

AI总结 研究特征学习核在代数任务中的“grokking”现象，发现泛化仅在训练集对称性被打破时发生，并通过恢复数据中的不变群作用实现泛化。

Comments Accepted to the 29th International Conference on Artificial Intelligence and Statistics (AISTATS 2026)

RN-D: Discretized Categorical Actors for On-Policy Reinforcement Learning

RN-D：用于同策略强化学习的离散化分类演员

Yuexin Bian, Jie Feng, Tao Wang, Yijiang Li, Sicun Gao, Yuanyuan Shi

机构 * University of California San Diego, La Jolla, USA（加州大学圣地亚哥分校） 纠错

AI总结 提出离散化分类演员替代高斯演员，结合正则化网络形成RN-D，在同策略RL中实现连续控制的最优性能。

Comments Accepted by ICML 2026