本文探讨数据流分析中的迭代算法与格理论。迭代算法将CFG节点值视为k元组，通过函数F迭代至不动点。文章定义偏序集、格、全格等概念，证明在有限全格中单调函数迭代可得到最小或最大不动点，确保算法终止且结果最优。迭代算法与MOP解在可分配情况下精度相同，但常量传播等不可分配问题中MOP更精确。最后提及工作列表算法作为迭代优化的方法。

本文分析了深度线性神经网络的学习动态，发现其具有非线性学习特性，如快速收敛和隐式正则化。研究提出了新的前向传播算法和精度分配方法，以提升固定点训练的性能，并探讨了预训练对网络稳定性的影响，为深度学习的稳定性提供了理论基础。

本研究探讨了深度神经网络（DNN）中分段线性函数的复杂度，分析了其线性区域数量及影响因素。结果表明，DNN的实际表达能力可能低于理论最大值，并提出了新的计算方法和验证技术，强调了分段线性激活函数对损失曲面的影响。

最近在看wasm的文档，其中有一个章节讲request_animation_frame的。传统上JavaScript的这个API是无限递归调用的。但在rust_wasm的范例中，使用了闭包来实现递归。通过替换wasm的Closure结构体，发现可以通过这种方法实现闭包递归。另外，循环引用法也可以实现闭包递归，使用了Rc和RefCell来构造循环引用。循环引用法可以从外部捕获变量进行无参数递归。不过，不推荐使用这些方法，建议使用最基础的外部fn函数来定义递归。