本論文は,モデル一般化性能の向上に有効な技術であるSharpness-aware minimization(SAM)のm-sharpness現象の詳細な理解を提供する。 SAMの性能が摂動計算のためのマイクロバッチサイズが減少するにつれて単調に改善される現象を研究し、それを説明するために拡張されたStochastic Differential Equation(SDE)フレームワークを利用してSAM歪み(n-SAM、m-SAM)の力学を分析しました。分析は、SAM摂動中に導入された確率的ノイズが分散ベースのシャープネス正規化効果を誘発することを明らかにしました。これらの理論的洞察に基づき,並列処理が可能なリウェイト型SAM(RW‐SAM)を提案し,m‐SAMの一般化の利点を模倣するシェルネス‐ウェイト型サンプリング手法を用いた。最後に、実験を通して提案されたRW-SAMの効果を実証しました。