arXiv · Neural and Evolutionary Computing· Ambarish Moharil·· 1 天前AI 评分24
深度网络的时序几何：用训练动力学的双曲表示实现内生可解释性
Temporal Geometry of Deep Networks: Hyperbolic Representations of Training Dynamics for Intrinsic Explainability
AI 导读
该论文提出一种几何与时序图结合的元学习框架，把 MLP 在优化过程中 T 步快照构建为时序参数图，并嵌入 Poincaré 双曲球模型，以捕捉加权拓扑与自组织的演化。模型对快照内神经元置换保持等变、对历史快照置换保持不变，从而在回归与分类任务上获得强元网络性能并恢复网络潜藏演化几何。该研究已作为主会论文发表于 ICLR 2026。
来源：arXiv · Neural and Evolutionary Computing · arxiv.org