超网络
一种神经网络架构设计方法，用一个较小的"元网络"动态生成另一个目标网络的权重参数，由David Ha等人于2016年正式提出，在连续学习、神经架构搜索和多任务学习等场景中有实验验证
时间轴 (近 90 天)
超网络是一类生成网络参数的网络：它接收描述目标任务或目标模型的输入，输出另一个网络的部分或全部权重。
HyperRepair 学习一个超网络，该网络利用激活指纹概括模型相对预训练基座的变化，并生成定制的修复侧网络（RSN）。
HyperRepair 的超网络可以将其修复能力迁移到共享同一预训练基座的未见模型上，即使这些模型来自未见过的适配领域。
修复侧网络的效果依赖超网络在源模型上学到的修复规律是否足够通用，跨基座架构的迁移能力也需要更多证据。
HyperNSDE 是一个连续时间生成模型，用超网络将潜在的神经随机微分方程与静态患者表征连接起来，以生成合成临床数据
超网络是一种根据条件输入动态生成另一个网络权重或参数的网络，而不直接处理数据
超网络（Hypernetworks）由David Ha等人于2016年正式提出，核心思想是用一个小型元网络输出另一个目标网络的权重
超网络在连续学习、神经架构搜索和多任务学习等场景中已有实验验证，但受限于生成质量与稳定性，尚未成为主流架构组件
全部知识事实 (8)
超网络是一类生成网络参数的网络：它接收描述目标任务或目标模型的输入，输出另一个网络的部分或全部权重。
50%待验证HyperRepair 学习一个超网络，该网络利用激活指纹概括模型相对预训练基座的变化，并生成定制的修复侧网络（RSN）。
50%待验证HyperRepair 的超网络可以将其修复能力迁移到共享同一预训练基座的未见模型上，即使这些模型来自未见过的适配领域。
50%待验证修复侧网络的效果依赖超网络在源模型上学到的修复规律是否足够通用，跨基座架构的迁移能力也需要更多证据。
50%待验证HyperNSDE 是一个连续时间生成模型，用超网络将潜在的神经随机微分方程与静态患者表征连接起来，以生成合成临床数据
50%待验证超网络是一种根据条件输入动态生成另一个网络权重或参数的网络，而不直接处理数据
50%待验证超网络（Hypernetworks）由David Ha等人于2016年正式提出，核心思想是用一个小型元网络输出另一个目标网络的权重
50%待验证超网络在连续学习、神经架构搜索和多任务学习等场景中已有实验验证，但受限于生成质量与稳定性，尚未成为主流架构组件
50%