一个问题是，随着学习的进行，一组标准化的初始权重可能不会保持标准化。因此，鉴于我们根据它们的相对值按比例调整权重，并且在处理学习数据的子集时，模型可能会确信一个特征子集很重要而其他特征子集不重要，这可能导致权重再次变得不平衡。在学习曲线中，我们可能会将其视为一个平台期，在此学习过程中，学习者确信一些特征比实际更重要，并且无法找到可以贡献更大的新特征，因为微小的比例变化并没有使它们移动太远，或者很快，足够进入一个明显的范围。

因此，当我们从数据库中重新采样以获取下一批时，我们需要完全接受前一批学习过于偏向其自己喜欢的集合的可能性。实际上，我们是在用准确性来换取对新特征组合的开放性，同时也有助于泛化。