🔍 رمزگشایی از ساختار درونی شبکه‌های عصبی؛ چرا وزن‌ها همیشه حقیقت را نمی‌گویند؟

محققان در پژوهش جدیدی به بررسی این موضوع پرداخته‌اند که چگونه «کدگذاری موقعیتی» (Positional Encoding) بر درک هندسی شبکه‌های عصبی تأثیر می‌گذارد. طبق این مطالعه، تقارن‌هایی که ما در وزن‌های یک مدل می‌بینیم، لزوماً تقارن‌های واقعی نیستند؛ بلکه توسط «مشاهده‌پذیرها» و نحوه کدگذاری مدل محدود شده‌اند.

این یعنی گاهی اوقات مدل پتانسیل حل یک مسئله هندسی را دارد، اما به دلیل نوعِ خاصِ ورودیِ موقعیتی، آن را «نمی‌بیند». این یافته‌ها برای درک بهتر نحوه تفسیرپذیری مدل‌های پیچیده و بهینه‌سازی معماری‌های جدید بسیار حیاتی است. 🧠📐

منبع: arXiv Computer Vision