近日，一篇题为《Data-Driven Variational Basis Learning Beyond Neural Networks: A Non-Neural Framework for Adaptive Basis Discovery》的论文在arXiv上發表，提出了一种名为DVBL的全新非神经网络框架。传统表示系统如傅里叶级数、小波和固定字典虽然提供了解析上易于处理的基展开，但无法内在适应现代高维数据的经验结构。神经网络通过从数据中学习特征克服了这一局限，但其分层非线性参数化往往牺牲了可解释性、对基结构的显式控制和数学透明度。DVBL通过变分优化直接从数据中学习基函数，将基原子作为主要优化变量，与样本特定系数和潜在线性演化算子（如果适用）联合学习，从而产生了一种数据自适应基展开，既显式又可解释，便于进行严谨的理论分析。
论文作者Andrew Kiruluta在模型中建立了最小化子的存在性，验证了交替最小化算法的块下降性质，给出了系数恢复和基可识别性的条件，并展示了如何在无需神经架构的情况下集成流形正则化和动态正则化。此外，论文还讨论了DVBL相对于经典字典学习、谱方法、Koopman算子方法和深度表示学习的概念新颖性。这一工作为高维数据分析提供了一个有前途的替代方案，特别适用于需要透明度和可解释性的应用场景，例如科学计算和物理建模。未来工作可能包括将DVBL扩展到更广泛的领域，并进一步优化其算法效率。该论文于2026年4月17日提交，属于计算机科学机器学习领域，并涉及计算语言学。