FlowGenesis

FlowGenesis 框架通过神经元分裂与剪枝，让网络在训练中自主增减容量，无需预设目标架构或单独进行架构搜索。

FlowGenesis 提出“表示通量”（Representation Flux）作为局部统计量，用于捕捉小批量数据上神经元平均激活的变化。

在 FlowGenesis 中，高通量神经元被分裂成两个子神经元，且分裂过程设计为近似保持网络原有功能。

在 FlowGenesis 中，低通量且低活跃度的神经元被剪枝。

FlowGenesis 的设计不需要定义搜索空间，也不需要评估大量候选架构，网络在梯度下降过程中完成结构自适应。

在图像和文本分类任务上的实验显示，即使网络初始规模不同，经过 FlowGenesis 调整后，同一数据集上的最终神经元数量范围趋于接近，同时预测性能保持可比。

FlowGenesis 被扩展到持续学习场景，在任务增量学习设置下，表示引导的结构适应能够减少后续任务分配的神经元和参数数量，同时保持与固定宽度渐进神经网络相当的准确率。

FlowGenesis 目前实验规模有限，仅涉及图像和文本分类，且分裂操作近似保持功能的设计可能引入额外计算开销。