[LG]《Hilbert Operator for Progressive Encoding (HOPE): A Mathematical Framework for Deconstructing Learned Representations in Deep Networks》H Mobahi, P L. Bartlett [Google DeepMind] (2026)

在深度神经网络分析领域，解析模型内部表征的构成逻辑是一个悬而未决的难题。过去的方法受困于对原始权重数值的路径依赖，本质原因是权重幅值仅是优化的随机产物，无法客观反映神经元在不同架构缩放下的真实功能贡献。

本文的核心洞见是：把离散的神经元权重重新看作希尔伯特空间中的连续函数算子。由此，将网络压缩统一建模为功能子空间的低阶投影这一关键操作，使原本混杂的冗余特征得以在数学上被精确剥离或合并，且无需依赖外部训练数据。

这项工作真正留下的遗产是为深度网络构建了一套坐标明确的功能几何度量体系。它为后来者打开了通往“无干扰迁移学习”的新门，通过隔离通用内核与弹性余量来抑制灾难性遗忘，但尚未跨过的门槛是该框架在缺乏标准化层架构中的普适性证明。

arxiv.org/abs/2607.21366 机器学习 人工智能 论文 AI创造营