Epitopological Learning 与 Cannistraci–Hebb 网络形态智能：面向深度学习超稀疏优势的脑启发理论
这项 ICLR 2024 研究把 Epitopological Learning 与 Cannistraci–Hebb Training（CHT）结合起来，检验约 1% connectivity 的超稀疏网络能否在保持结构约束的同时学习出可竞争的深度模型性能。
研究论文
让稀疏结构成为可验证的智能路径。
浏览关于拓扑学习、Cannistraci-Hebb Training、Transformer 与半结构化稀疏的公开研究。
精选研究
这些论文覆盖从超稀疏连接、动态稀疏训练到 Transformer、LLM 和 N:M 稀疏的关键研究路径。
脑网络科学建模：让稀疏神经网络中的 Transformer 与 LLM 达到全连接模型性能
这项 NeurIPS 2025 主会论文把 CHT 的拓扑驱动训练扩展到 Transformer 与 LLaMA 级语言模型，直接比较高稀疏度模型与 fully connected reference 的任务性能。
自适应 Cannistraci–Hebb 网络自动机：面向基于路径连接预测的复杂网络建模
这项 NeurIPS 2025 研究将 Cannistraci–Hebb 规则组织为自适应网络自动机，在覆盖 1,283 个真实网络的 ATLAS 基准上进行基于路径的连接预测。
迈向 NVIDIA 1:4 半结构化 75% 稀疏：Cannistraci–Hebb N:M 动态 Sparse-to-Sparse Training
这篇 13 May 2026 发布的预印本研究 1:4（75%）半结构化稀疏的动态 Sparse-to-Sparse Training。页面明确区分算法验证与硬件事实：当前 NVIDIA GPU 原生支持的是 2:4，而不是 1:4。