神经网络在宽度、深度和时间维度上的生长框架
原帖
**在宽度、深度和时间维度上生长神经网络**
_Growing a Neural Network in Breadth, Depth, and Time_
> 该论文提出了一种新的神经网络框架，通过可微分的成本项在宽度、深度和时间三个维度上优化循环卷积神经网络。研究发现，这三个资源维度可以相互权衡以达成给定精度，并且网络会随任务复杂度增长，在输入被遮挡时会自发增加循环步骤。有趣的是，模型使用的时间与人类在物体识别任务中的反应时间相关。该工作为资源约束如何塑造神经架构提供了规范性解释，连接了神经科学中关于大脑设计的问题，并有助于理解自然界中神经解决方案的多样性。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-05-28 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.25174)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
HuggingFace Daily Papers分享的论文提出，通过可微分的成本项优化循环卷积神经网络，发现宽度、深度和时间三个资源维度可相互权衡以达成精度。网络会随任务复杂度增长，在输入被遮挡时自发增加循环步骤，且模型使用的时间与人类物体识别的反应时间相关。
答案说明
该论文提出一种在宽度、深度和时间维度上生长神经网络的新框架，通过可微分的成本项进行优化，并发现三个维度可权衡、网络随任务增长、处理遮挡输入时循环步骤增加，且模型时间与人类反应时间相关。
这篇帖子回答的问题
- 如何通过宽度、深度和时间维度优化神经网络？
核心观点
- HuggingFace Daily Papers分享的论文提出，通过可微分的成本项优化循环卷积神经网络，发现宽度、深度和时间三个资源维度可相互权衡以达成精度。网络会随任务复杂度增长，在输入被遮挡时自发增加循环步骤，且模型使用的时间与人类物体识别的反应时间相关。
关键实体
- 循环卷积神经网络