神经网络中的潜在状态：从模型权重恢复漂移数据的时间结构

英文标题：Latent States in Neural Networks: Recovering the Temporal Structure of Drifting Data from Model Weights

论文探讨：时间上不断漂移的数据流是否会经历离散的状态区间，而非始终连续变化。作者提出从在该数据流上训练得到的模型权重中恢复这些潜在状态，并使用隐马尔可夫模型（HMM）进行建模。该研究表明，模型权重可能不仅编码任务能力，也保留了训练数据时间演化结构的线索。对开发者和行业而言，这一方向有望帮助分析持续学习、数据分布漂移及模型训练历史。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB