神经网络

推荐理由：UCI数据集验证，残差引导方法让随机神经网络训练更高效准确。

推荐理由：这篇论文提出了一个名为ICON分解的新方法，用于更准确地评估深度神经网络中各个概念的重要性，对于模型审计和可解释性研究具有重要意义。与现有的基线方法相比，它能够提供更可靠的解释，对于理解模型的决策过程非常有帮助。

推荐理由：QUASAR结合了量子计算和经典机器学习，在SAR卫星物理层认证方面取得了显著成果，比传统方法更高效，值得一看。

推荐理由：Gary Marcus 指出，网红热议的技术可能只是传统算法，而非大模型。

推荐理由：这篇论文给DGM和PINN的用户吃了定心丸：对于一类半线性PDE，梯度下降训练真的能收敛到正确解，不是只找到局部最优。

推荐理由：这篇论文用神经网络直接解量子场论方程，不需要标签数据，结果精度在百分级别，对初学者和专家都有启发。

推荐理由：这篇论文把黎曼深度学习做成了统一理论，把批量归一化、逻辑回归推广到各种流形，还有新的双曲模型和高效几何，搞几何深度学习的别错过。

推荐理由：这篇论文用TAIR方法让神经网络学真实流体偏离理想气体的部分，超临界燃烧场景下误差降了数倍，做物理信息嵌入的可以看看。

推荐理由：这篇论文给了你可解释AI的新思路：用偏依赖约束让模型学得更准，还能确保解释符合常识，尤其适合回归问题。

推荐理由：这篇论文搞了个新路子，用误差估计自动告诉你该在网络的哪一层加更多神经元，在流体力学数据上比现有方法都强。

推荐理由：Anthropic在Claude里找到了类似人脑全局工作空间的J-space，用新方法看穿了模型内部怎么思考，挺有意思的。

推荐理由：这篇论文教你用FFT给特征学习网络做预处理，在数据少时也能提升效果，实验显示NMSE最高降一半，值得搞特征提取的人看看。

推荐理由：这篇论文提出了一种计算简单的方法，能告诉你神经网络对输入噪声的容忍上限，还画出了鲁棒性曲线，帮你量化模型稳定性。

推荐理由：这篇论文用可解释神经网络从对称性角度预测原子核质量，WINN模型精度0.430 MeV，还揭示了中子滴线和超重区的新现象，值得搞核物理或AI的人看看。

推荐理由：微软研究员真用《帝国时代2》山羊搭了个神经网络，顺带扒了315篇AI论文的皮，脑洞和讽刺都拉满。

推荐理由：这篇论文用Oppenheim-Lim实验方法测试了多个模型（ViT、CNN）的内部表示，发现相位才是关键，还解释了为什么CNN和ViT对纹理和形状的偏好不同。

推荐理由：论文证明神经网络还解不开这个经典难题

推荐理由：这项研究戳破了 AI 领域的一个常见误解——神经网络并不像大脑。做 AI 研究或对认知科学感兴趣的读者，看完会对模型设计有新的思考。

推荐理由：光子计算是突破AI算力瓶颈的关键方向，做硬件加速或边缘计算的团队值得关注——玻璃内写神经网络的方法比传统硅基方案更灵活，功耗更低，建议点开了解技术细节。

推荐理由：城市交通规划团队终于有了一个能提前预见线路设计后果的AI工具——AlphaTransit用搜索+学习解决了公交网络设计的延迟反馈难题，做交通规划或智慧城市的研究者可以直接用开源代码跑自己的数据。

推荐理由：这篇论文揭示了神经网络蒸馏中一个反直觉但关键的机制——潜意识学习并不依赖初始化匹配，而是由输出头兼容性驱动。做模型压缩、知识蒸馏或研究表征对齐的研究者值得细读，它可能改变你对蒸馏数据选择的认知。

推荐理由：Karpathy 把软件行业的底层假设翻了个底朝天——未来可能不是更好的 App Store，而是神经网络直接接管界面生成。做产品、搞架构的开发者看完会重新思考自己每天在写什么。

推荐理由：Anthropic 的可解释性工作是理解 AI 黑箱的关键，做 AI 安全或模型研究的团队值得收藏这个页面，直接了解最新成果和加入机会。

推荐理由：重塑对符号学习的认知，明确其作为底层学习范式的潜力，对AI研究者和从业者理解未来方向有参考价值。

推荐理由：对强化学习研究者有参考价值，提供了超越传统策略分析的模型内部状态洞察方法，尤其可用于分析RLHF训练中的阶段变化。