Stanford 团队提出“Tversky 投射层”：可替换传统 Linear 层，参数量暴降 35% 且性能反升

Stanford 大学 Jurafsky 和 Manning 团队发布新论文，提出用“Tversky 投射层”替代神经网络中传统的 Linear 层。研究指出，现有深度学习基于几何相似度的对称性假设不符合人类认知的“不对称性”。该团队将心理学中的 Tversky 相似度转化为可微算子，实现了即插即用的替换方案。实验显示，新层能直接模拟 XOR 等非线性函数，并在 GPT-2 测试中将参数量减少了 34.8%，同时将困惑度降低了 7.8%。这一突破为设计具有心理学可解释性的神经网络提供了全新范式。