研究者提出严谨且易计算的模型复杂度新度量方法

2026年11月5日，arXiv stat.ML 发布的一项新研究提出了一种基于不同输入特征向量相似度的模型复杂度度量方法。该方法兼具数学严谨性与易计算性，广泛适用于参数模型及核非参数模型。研究表明，该方法成功泛化了多项式次数、k 近邻数、决策树切分点数和随机森林树数量等多种传统模型复杂度指标。此外，该度量方法还为随机傅里叶特征、神经网络、随机森林以及梯度提升等模型中出现的双重下降现象提供了全新的理论见解。

AI 根据报道生成 · 48 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。