罗盘 / 深度学习泛化理论之谜
暗星档案 · 未点亮的星深度学习泛化理论之谜
本条为初评草案（AI 辅助编目 · 评于 2026-07-16）：T 阶为三问初评（撬动面 × 停滞度 × 临界性），双评过 σ 门并红蓝复核后才升"已建档"。查不到的字段留空不编。点亮者会进入亮星候选流程，其贡献与星阶按 HCF 独立重评，不从暗星自动继承。
深度学习泛化理论之谜T6 量级 · 行星
让过参数深网络的泛化从事后解释变成可证伪预测。
所属星云智能统一理论理解万物
暗星编号DS-0993
轴E · 能量与能力前沿
领域ai-computing
状态初评草案 · 待双评与红蓝复核
这是什么 · 为什么难
深网络可以拟合随机标签，但在真实数据上常仍有良好泛化。经典容量理论形式上并未失效，但常见统一界对已训练模型可能松到缺乏解释力。目标不是比训练更早地精确知道一切结果，而是建立能在多架构、数据和优化器上预测泛化差距的可检验理论。
卡在哪 · 机制级卡点
隐式偏置、间隔、压缩、稳定性和梯度相干性等机制各自覆盖部分现象，尚无一套理论同时给出跨设置的紧界与稳定外推。
谁在攻
深度学习理论与统计学习研究群体；具体路线包括隐式偏置、压缩界、稳定性与 PAC-Bayes 界。
怎么参与
从复现'Understanding deep learning requires rethinking generalization'(Zhang et al.)论文的随机标签实验开始