近日，一篇題為《Data-Driven Variational Basis Learning Beyond Neural Networks: A Non-Neural Framework for Adaptive Basis Discovery》的論文在arXiv上發表，提出了一種名為DVBL的全新非神經網絡框架。傳統表示系統如傅里葉級數、小波和固定字典雖然提供瞭解析上易於處理的基展開，但無法內在適應現代高維數據的經驗結構。神經網絡通過從數據中學習特徵克服了這一侷限，但其分層非線性參數化往往犧牲了可解釋性、對基結構的顯式控制和數學透明度。DVBL通過變分優化直接從數據中學習基函數，將基原子作為主要優化變量，與樣本特定係數和潛在線性演化算子（如果適用）聯合學習，從而產生了一種數據自適應基展開，既顯式又可解釋，便於進行嚴謹的理論分析。
論文作者Andrew Kiruluta在模型中建立了最小化子的存在性，驗證了交替最小化算法的塊下降性質，給出了係數恢復和基可識別性的條件，並展示瞭如何在無需神經架構的情況下集成流形正則化和動態正則化。此外，論文還討論了DVBL相對於經典字典學習、譜方法、Koopman算子方法和深度表示學習的概念新穎性。這一工作為高維數據分析提供了一個有前途的替代方案，特別適用於需要透明度和可解釋性的應用場景，例如科學計算和物理建模。未來工作可能包括將DVBL擴展到更廣泛的領域，並進一步優化其算法效率。該論文於2026年4月17日提交，屬於計算機科學機器學習領域，並涉及計算語言學。