此看似明显类似于那个：在神经坍缩下的斯蒂弗尔几何中实现可解释识别
计算机视觉与模式识别
2026-03-10 v1
摘要
型谱网络提供了一种内在的基于案例的解释机制，但其可解释性常因型谱坍缩而受到削弱，即多个型谱退化为高度冗余的证据。我们将此故障模式归因于神经坍缩的终端动力学，交叉熵优化抑制类内方差，使类条件特征趋向低维极限。为缓解此问题，我们提出自适应型谱（Adaptive Manifold Prototypes, AMP），一个利用斯蒂弗尔流形上的黎曼优化来表示类型谱作为正交基的方法，并通过构造使型谱坍缩在结构上不可行。AMP 进一步通过对非负容量向量进行proximal梯度更新来学习类特定有效秩，并引入空间正则化以减少旋转歧义并鼓励局部、非重叠的部件证据。大量实验表明，AMP 在细粒度基准上实现了状态最佳的分类准确率，同时显著改善了对先前可解释模型的因果忠诚度。
引用
@article{arxiv.2603.08374,
title = {This Looks Distinctly Like That: Grounding Interpretable Recognition in Stiefel Geometry against Neural Collapse},
author = {Junhao Jia and Jiaqi Wang and Yunyou Liu and Haodong Jing and Yueyi Wu and Xian Wu and Yefeng Zheng},
journal= {arXiv preprint arXiv:2603.08374},
year = {2026}
}