#神经网络

论文解决了一个很实际的问题：检测器升级后旧水印失效、误报飙升。用 legacy chain 加 ADL 损失来修复，方法挺清晰。

OpenAI 前研究员 roon 发推聊可解释性，说基础突破反而来自公司外部，OpenAI 也在其中，观点挺扎心。

roon@tszzl11 个信源在谈原文

React 前核心成员写了套函数库，把 if-else 手写成网络权重，零训练跑出精确结果，还有三个能在浏览器玩的 demo，思路很特别。

宝玉@dotey2 个信源在谈原文

做量子纠错的看：中途测量老被噪声坑，Lifting用重复编码加神经解码在IBM真机上验证有效。

Gary Marcus 发火吐槽了，说很多人分不清神经网络自己解题和符号系统验证答案的区别，想聊 AI 能力边界可以看看。

Gary Marcus@GaryMarcus原文

一篇把 KSVD 推广到多数据源的理论论文，还用神经网络做显式特征映射，做核方法或特征学习方向的可以看看推导。

这篇论文用格林算子解构多任务神经网络，揭示了计算如何在任务间和时间上被组织和重用。

这篇论文提出了一种新的视觉系统验证方法，用随机世界模型替代GAN，在验证效果和准确性上都有显著提升。

arXiv 上新出的 Purin 机制，给 AlexNet、VGG11 这些老 CNN 加了突触效能调制，三个模型准确率都涨了，搞 CV 的可以看看。

一篇很脑洞的论文：权重不存了，用 24 字节种子加复二次映射现场算出来，Two-Moons 上拿到 77.67% 准确率，思路挺新鲜。

这篇论文揭示了稀疏自编码器训练中存在一种新的扩散相，挑战了传统优化理论对特征合并的预期。

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。

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。

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。

Gary Marcus 指出，网红热议的技术可能只是传统算法，而非大模型。

Gary Marcus@GaryMarcus原文

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。

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。

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。

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。

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。

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。

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。

官方账号Anthropic@AnthropicAI11 个信源在谈原文

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。

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。

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。