一篇新的研究论文介绍了一种通过在双曲几何中表示深度神经网络的训练动态来理解其训练动态的新方法。该方法构建了时态参数图，这是网络权重随时间的快照，并将这些图嵌入到庞加莱模型中。这种几何表示旨在捕捉网络在训练过程中不断演变的结构和自组织，从而提供超越单一检查点分析的内在可解释性。在回归和分类任务上的实验证明了这种双曲时态表示框架的有效性。 AI
影响 这项研究提供了一个新的几何框架，用于理解和解释深度神经网络在训练过程中的内部工作机制。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.03000v1 Announce Type: cross Abstract: Intrinsic explainability remains a challenging problem, particularly in contexts where multilayer perceptrons (MLPs) require dynamic re-training within an optimization environment. This paper investigates how MLPs and their traini…
Intrinsic explainability remains a challenging problem, particularly in contexts where multilayer perceptrons (MLPs) require dynamic re-training within an optimization environment. This paper investigates how MLPs and their training dynamics can be represented and studied in non-…