NGN：将神经网络规模作为可微计数来学习
原文标题：NGN: Learning Neural Network Size as a Differentiable Count
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出神经发生网络（NGN），用可学习边界为每组有序结构组件选择激活前缀，使网络规模在训练中直接作为可微计数被优化。该方法在 MLP、卷积、图网络、Transformer、状态空间模型、LoRA 与适配器上验证，部署学习到的前缀通常性能损失很小。
- 问题
- 网络规模通常在训练前固定，架构选择与权重优化被割裂。
- 方法
- 用可学习边界为每组有序组件选激活前缀，把规模当作可微计数直接优化。
- 结果
- 在 MLP、卷积、图网络、Transformer、状态空间模型、LoRA、适配器上，部署学习前缀通常性能损失很小。
- 影响
- 架构搜索可并入训练，工程师不必再手工试网络深度或 LoRA 秩。
深读 · 结论先行AI 生成展开看要点与影响 ↓
NGN 用可学习边界把网络规模变成可微计数，部署学到的前缀通常性能损失很小。
- •为每组有序结构组件设一个可学习边界，选择激活前缀，边界随参数一同训练
- •边界可从紧凑初始化增长，部署时直接丢弃边界之外的组件
- •受控实验考察边界收敛性、部署前缀性能，并与固定规模模型及替代容量学习方法对比
- •机制统一应用于 MLP、卷积网络、图网络、Transformer、状态空间模型、LoRA 与适配器
- •各设置下只部署学习到的前缀通常性能变化很小，所选架构与同规模固定模型表现相近
为什么重要：把架构选择从训练前的人工决策变成训练中的可微优化，对自动压缩与容量分配有潜在价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。