#神经网络
共 23 篇相关文章
神经网络原本就是「干净」的？Goodfire可解释性长文解读
Goodfire研究员Nick Camerata提出工作假设：神经网络并非多义纠缠的结，而是本来就「干净」。从猫车神经元重释、递归泛化、Qwen3-32B约90%神经元单职，到四神经元诊断电路，本文解读这篇可解释性长文的核心证据与争议。
AI黑箱其实清晰可见？可解释性研究颠覆认知
Goodfire新研究《Neural Networks Are Already Clean》挑战AI黑箱神话：多义性可能是可视化工具和SwiGLU双负漏洞造成的假象，神经网络通过递归泛化自我组织，本就清晰可读。本文深度解读其对AI可解释性与对齐的启示。
深度学习三大架构与万能逼近定理：一次讲透MLP、CNN与Transformer
从Reddit热帖出发，梳理MLP、CNN、Transformer三种深度学习架构的归纳偏置差异，讲清万能逼近定理（UAT）的存在性含义与泰勒展开在逼近分析中的作用，并澄清常见误解。
神经进化AI玩超级马里奥，水平超越人类玩家
开源项目展示神经进化训练神经网络玩3D超级马里奥，AI操作水平超越人类玩家，并提供交互式3D可视化观察网络决策过程。
用积木讲透万能近似定理：神经网络为何能逼近任意函数
用可视化“积木”思路拆解 Michael Nielsen 第4章的万能近似定理：单个神经元如何造出阶跃砖块、两块阶跃如何相减成凸起、单隐藏层网络如何堆叠逼近任意连续函数，以及定理能证明什么、不能证明什么。
神经网络违约模型验证：超越AUC与KS的实用技术
针对MLP违约概率模型，本文超越AUC、KS、GINI等标准指标，介绍校准曲线、Brier分数、排序稳定性、SHAP归因、压力测试等验证技术，并详细讨论信用风险模型的公平性与偏差检查方法，包括人口统计平价、机会均等、预测平价及持续监控框架。
Rényi集中度指标：让MLP可解释性度量摆脱网络规模依赖
论文提出基于Rényi散度的α-RC集中度指标，解决Participation Ratio依赖网络规模的问题，为MLP的Kolmogorov-Arnold Geometry分析提供架构无关的度量，值域[0,1]且与PR显式关联。
神经网络本就「干净」：可解释性研究的范式转变
神经网络可解释性研究迎来范式转变：作者主张网络本身已是「干净」的，混乱源于观察方式而非模型结构。本文解析新旧范式的分歧、对SAE与电路分析的冲击，以及实践者该如何调整调试心态。
把代码编译成神经网络：能学价格，学不会规则
手写神经网络框架 Handwired 实测:把五条规则的运费函数手动翻译成神经网络,1600万输入零误差。但训练新价目表时,价格能学会,免运费门槛纹丝不动——划分了「缩放量可学、决策量冻结」的边界。
将普通JavaScript代码转化为神经网络
Hacker News热议话题：将普通JavaScript代码转化为神经网络。本文分析其技术路径、实现挑战与对Web开发者的实际意义，探讨神经符号编程在JS生态的落地可能。
离线训练的神经网络一上控制回路就翻车？这篇论文给出系统性解释
离线训练的神经网络部署到闭环控制系统后为何性能骤降？本文解读一篇论文提出的统一失效分类框架，分析闭环辨识误差、动作误差和跟踪误差三种模式，并介绍时间尺度分离在线适应这一解决方案。
神经网络无需清洗数据：一场认知纠偏
神经网络是否真的需要大量数据清洗？这篇文章论证网络架构本身具备噪声容忍能力，重新审视数据清洗的边界与优先级，为AI工程实践提供反直觉的决策参考。
Lifting：量子中电路测量的量子态判别新框架
Lifting是一个面向量子中电路测量的量子态判别框架，通过重复编码、神经网络解码与现场校准，提升超导量子处理器上MCM的可靠性。理论证明额外通道不增加贝叶斯风险，并在三台IBM处理器上验证了重复稳定子测量、奇偶校验和隐形传态等工作负载。
神经网络拓扑表达力的构造性边界：从决策边界到输出空间
一项关于神经网络拓扑表达力的研究提出用输出空间贝蒂数替代决策边界度量，给出ReLU网络表达球面楔和与乘积的构造性架构上界，并猜想球面同胚空间的紧边界，为理解深度网络的几何表达能力提供新框架。
SO(3)等变核方法：让神经算子真正做到旋转不变
arXiv最新论文提出IKNO神经算子，通过SO(3)等变各向同性核实现严格旋转不变。相比张量场网络参数减少5.6倍且精度不降，为三维Navier-Stokes流体建模提供物理一致的解决方案。
Dropout神经网络的逼近理论：Sobolev速率与置信界
解读arXiv预印本对Dropout神经网络逼近性质的研究：在Sobolev空间框架下，给出带概率保证的ReLU网络逼近误差上下界，揭示保留概率、精度指数与置信水平之间的定量关系。
如何融合两个神经网络？模型合并与灾难性遗忘详解
如何将两个专精的神经网络（识别猫与识别狗）融合为一个模型，同时避免灾难性遗忘？本文解析模型合并的技术难点，介绍知识蒸馏、神经元对齐、多头联合训练等可行方案。
纯NumPy手写MLP训练可视化工具：让神经网络内部一览无遗
一款用纯NumPy从零实现的小型MLP神经网络教学工具，配备GUI实时展示训练过程：权重分布、逐层t-SNE降维、梯度范数、神经元消融实验等。手动实现反向传播，MNIST达98.5%准确率，适合ML入门学习与课堂教学。
