奇偶校验学习中数据约束的渗透与布尔函数态重组研究

研究探讨了神经网络在奇偶校验学习中随训练推进和数据累积如何重组学到的布尔函数，并引入函数态与有效施密特秩 $K_f=1/\textrm{Tr}(\rho_A^2)$ 进行刻画。结果显示，少量数据增加会拓宽施密特谱并带来区分化，而更大量数据会使其在目标模式上重新聚集；在固定数据集上，施密特谱重组先于目标对齐和预测准确率的提升发生。