本研究从模式连通性视角探讨机器遗忘中的损失景观与优化动态，分析不同遗忘方法及其相互关系，揭示评估指标波动模式及遗忘方法的相似性与差异，为理解机器遗忘提供新思路。

本研究提出“中心流”思想，利用差分方程分析深度学习优化轨迹的时间平均行为，揭示自适应优化器如何调节步长以更有效地应对损失景观。

本研究分析了神经网络可解释性在模型训练和任务行为理解中的不足。通过文献和损失景观几何学，提出新的分类方法和四个主要特征，提升机器学习的安全性和可信赖性。

本研究探索了深度神经网络（DNNs）的损失景观，发现噪声与收敛点之间的符号一致性是山谷对称性的关键指标。这一发现在模型融合和联邦学习中具有重要应用。

该论文研究了多尺度数据对机器学习算法的影响，特别是在深度学习中。它揭示了损失景观中的多尺度结构，并提出了一种新的梯度下降方法以提高训练效率。