mały|420x420px| Przykład zjawiska podwójnego zejścia w dwuwarstwowej sieci neuronowej : wraz ze wzrostem stosunku parametrów do punktów danych błąd testowy najpierw spada, potem rośnie, a potem znowu spada. Pionowa linia wyznacza granicę „progu interpolacji” pomiędzy obszarem niedoparametryzowanym (więcej punktów danych niż parametrów) a obszarem przeparametryzowanym (więcej parametrów niż punktów danych). Podwójny spadek (ang. double descent) – w statystyce i uczeniu maszynowym to zjawisko, w którym model z małą liczbą parametrów i model z nadzwyczaj dużą liczbą parametrów wykazują mały błąd treningu, ale model, którego liczba parametrów jest w przybliżeniu taka sama jak liczba punktów danych użytych do trenowania modelu, będzie miał znacznie większy błąd testu niż model z dużo większą liczbą parametrów. Zjawisko to uznano za zaskakujące, ponieważ przeczy ono założeniom dotyczącym nadmiernego dopasowania w klasycznym uczeniu maszynowym.
Historia Wczesne obserwacje zjawiska, które później nazwano podwójnym zstąpieniem w określonych modelach, pochodzą z 1989 r.