该文综述深度神经网络损失曲面的线性模式连接研究，探讨神经元对齐、剪枝与梯度掩码等方法，分析架构、训练策略和数据集对连接性的影响，提出模式组合性等新概念，并给出理论解释与实验验证。

该文综述深度学习损失曲面研究，提出模型对齐与融合算法，发现单流域现象及反例；证明宽网络无次优盆地、窄网络存在；揭示深度集成优于贝叶斯网络，平坦区域采样更高效；提出快速几何融合方法，在多个数据集上优于快照集成。

该文综述神经网络损失曲面的拓扑研究：网络层可通过非同胚映射改变数据拓扑，ReLU更有效；深度增加使Betti数降至最低，拓扑复杂度衰减可衡量泛化能力；并分析损失曲面的虚假局部极小值、鞍点处优化算法差异，以及过参数化下局部极小值多为全局最优等结论。