#MNIST

这篇论文揭示了扩散模型在有限预算训练下的特征选择性崩溃机制，对理解模型长期训练稳定性很有价值。

用 DFA 训网络总卡在常量预测器？这篇论文把根因拆到共模误差和 tanh 饱和，还给了减批量均值这种直接可用的修复办法。

这篇论文用可微优化替代离散搜索，Neuron Gating和Mixed Activation找紧凑网络，MNIST上0.26M参数就达99.63%准确率，比DARTS表现更好。

这篇论文发现：渐进适应时任务分得越细，每个任务训练时间反而要按1/N缩放。用MNIST和Yearbook验证了，做持续学习的朋友可以看看。

这篇论文发现伪随机数的选择会影响扩散模型的生成质量，不是随便什么随机源都行，看看它是怎么测的。

想提升VAE解纠缠又不想牺牲重建质量？这篇论文用软约束同时搞定，dSprites上FactorVAE得分刷到0.891，值得看看。

NeuronSoup用遗传算法进化共享神经元图，不依赖反向传播，在MNIST上达到85.9%准确率，模型只有115KB，适合探索非梯度训练的新路子。

这篇论文教你怎么不用标数据就自动设好验证阈值，在四个数据集上测了准确率94%，跟用标数据的方法差不多，挺实用的。

模拟硬件跑生成模型能耗低两数量级，AIS框架在MNIST上FID仅27.6，比之前好3-4倍，适合低功耗场景。

把神经符号学习统一到一个可微框架里，在 MNIST 加法上比 LTN 和 DeepProbLog 又快又准，还兼容 PyTorch。

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。