Dietterich 补充:符号回归早能归纳规律,他关心的是神经网络泛化
tdietterich · x · 2026-10-11
Thomas Dietterich 在其「LLM 能否从恒定加速度的 (x,t) 数据中归纳出 x = ½at² 普适规律」的追问下补充:符号回归(symbolic regression)方法本来就能做到这类归纳,但他真正感兴趣的是神经网络——尤其是 LLM——能否实现这种泛化,还是只停留在对数据对的核插值。这进一步明确了问题的靶心:深度学习的函数逼近机制与「发现定律」之间的鸿沟。
所属事件:Dietterich与LeCun质疑LLM泛化是学规律还是插值(3 条相关)→
「研究」频道最新
- 单次前向输出决策结果：用 Qwen3-1.7B 复刻 Jev 决策模型 — bibryam · 2026-10-11
- MIT 韩松 2026 秋季《高效 AI 计算》课程开讲，含剪枝量化与 LLM 部署 — HildeKuehne · 2026-10-11
- 三本免费 ML 系统好书:哈佛《Intro to ML Systems》与 LLM 基础教材 — caglar_ee · 2026-10-11
- Claude 30分钟复现天文学家400小时成果，还从旧数据挖出隐藏行星系统 — scottleibrand · 2026-10-11
- Berkeley 演讲:推理有结构,置信度可控可省 25% 思考 token — datawithsuman · 2026-10-11
- 论文：LLM 在医学诊断中太「顺从」，谄媚导致诊断不稳定 — lulzxdxdxd · 2026-10-11