神经网络的自旋玻璃特征
无序系统与神经网络
2025-08-12 v1 人工智能
机器学习
摘要
本工作以统计力学方式表征神经网络，这是受自旋玻璃中复制对称性破坏（RSB）现象的启发。从给定的前馈神经网络（FNN）构建哈普尔型自旋玻璃模型。复制样本之间的重叠度作为FNN的特征描述符。自旋玻璃描述与FNN常见特性（如数据拟合、容量、泛化和鲁棒性）之间的联系已被研究并经实验证明。与专注于模型集的先前分析不同，此方法为单个网络实例提供可计算的描述符，其揭示了无法被捕捉的非平凡结构特性，如损失或准确率等常规指标。初步结果表明其潜力可用于实际应用，如模型检查、安全验证和隐藏漏洞检测。
引用
@article{arxiv.2508.07397,
title = {A Spin Glass Characterization of Neural Networks},
author = {Jun Li},
journal= {arXiv preprint arXiv:2508.07397},
year = {2025}
}