ICLR 2026 论文：用双曲几何表示 MLP 训练动态实现内在可解释性
Get the story
该论文提出一种几何与时序图结合的元学习框架，将 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，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，论文标题为《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》，2026-10-05 见于 arXiv（Neural and Evolutionary Computing）报道。
Generated from reports · updated 1 days ago
Timeline
Follow the coverage from different angles.
- arXiv · Neural and Evolutionary Computing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
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。
Heat trend
Current heat 5·Comparable peak 10（Oct 5）·Comparable change over 24 hours -50%
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.