概念α-RC / alpha-RC指标 / α-RC指标族
α-RC指标
α-RC指标是一类基于Rényi散度的归一化集中度度量指标族，将归一化后的子式幅度与均匀分布比较，取值落在[0,1]区间且与网络架构无关，用于解决PR指标的规模依赖性问题。
时间轴 (近 90 天)
10月19日
论文作者提出了一类基于Rényi散度的α-RC指标，将集中度度量归一化到[0,1]区间，且与网络架构无关。
待验证50%
10月19日
α-RC指标具有有界性：无论网络架构如何，所有α-RC指标都落在[0,1]区间；0表示幅度均匀分布在所有子式上，1表示幅度完全由单个子式承载。
待验证50%
10月19日
α-RC指标具有单调性：指标值随α非递减。
待验证50%
10月19日
当α=2时，α-RC退化为Participation Ratio的显式变换，从而在保留PR解释力的同时消除了规模依赖。
待验证50%
10月19日
作者在合成数据集上训练了单隐藏层MLP，并通过计算实验验证了α-RC指标的有效性，实验表明新指标能够更清晰地反映网络内部表示的集中程度，且不受网络规模影响。
待验证50%
10月19日
论文的实验规模有限，仅使用了合成数据集和单隐藏层MLP，真实数据实验尚未进行。
待验证50%
全部知识事实 (6)
待验证
论文作者提出了一类基于Rényi散度的α-RC指标，将集中度度量归一化到[0,1]区间，且与网络架构无关。
50%待验证α-RC指标具有有界性：无论网络架构如何，所有α-RC指标都落在[0,1]区间；0表示幅度均匀分布在所有子式上，1表示幅度完全由单个子式承载。
50%待验证α-RC指标具有单调性：指标值随α非递减。
50%待验证当α=2时，α-RC退化为Participation Ratio的显式变换，从而在保留PR解释力的同时消除了规模依赖。
50%待验证作者在合成数据集上训练了单隐藏层MLP，并通过计算实验验证了α-RC指标的有效性，实验表明新指标能够更清晰地反映网络内部表示的集中程度，且不受网络规模影响。
50%待验证论文的实验规模有限，仅使用了合成数据集和单隐藏层MLP，真实数据实验尚未进行。
50%