Bài báo này đề cập đến thách thức đạt được đồng thời tính mạnh mẽ và hiệu quả sử dụng tài nguyên, hai đặc tính rất mong muốn trong các mô hình học máy hiện đại. Chúng tôi chứng minh rằng tốc độ học cao giúp đạt được cả tính mạnh mẽ chống lại các tương quan giả và tính nhỏ gọn của mạng. Chúng tôi chứng minh rằng tốc độ học cao mang lại các đặc tính biểu diễn mong muốn, chẳng hạn như sử dụng tính năng bất biến, khả năng tách lớp và độ thưa thớt kích hoạt. Trên nhiều tập dữ liệu, mô hình và trình tối ưu hóa tương quan giả, chúng tôi chứng minh rằng tốc độ học cao luôn đạt được các đặc tính này so với các siêu tham số và phương pháp chính quy hóa khác. Hơn nữa, chúng tôi đưa ra bằng chứng mạnh mẽ cho thấy sự thành công của tốc độ học cao trong các tác vụ phân loại tiêu chuẩn có liên quan đến khả năng xử lý các tương quan giả ẩn/hiếm gặp trong tập dữ liệu huấn luyện. Nghiên cứu của chúng tôi về các cơ chế cơ bản của hiện tượng này làm nổi bật tầm quan trọng của các dự đoán lỗi chắc chắn trên các mẫu xung đột độ lệch ở tốc độ học cao.
