本研究分析深度神经网络的神经元激活模式，提出概率框架，揭示神经元扩展规律。发现激活神经元数量与数据集大小之间存在数学关系，为理解网络的可扩展性和泛化能力提供新视角。

本研究探讨了不同初始化的深度神经网络在神经元激活子空间匹配中的表现，提出了最大匹配和简单匹配的概念。实验结果显示，不同网络的卷积层表示并不如预期相似。研究还介绍了基于规范相关分析的表示比较方法，提出了相似度指数，并探讨了神经网络模型的相似性度量，强调了模型透明性和语义信息处理的重要性。

本研究探讨了排名大语言模型在信息检索中的可解释性，分析了神经元激活与人类工程特征的关联，揭示了影响排名决策的特征集合及其缺失特征，为提升模型的可解释性和性能提供了重要启示。

本研究探讨了多语言大型语言模型在语言能力迁移中的不足，揭示了关键信息区域及其神经元激活模式的相似性。研究表明，模型在训练和扩展后形成了通用语义空间，从而提高了跨语言处理的一致性，为提升跨语言能力奠定了基础。

本文研究了大型语言模型中神经元激活与语言输出的可控性，提出了语言激活概率熵（LAPE）检测方法。分析表明，特定神经元的激活与任务表现相关。此外，介绍了神经元级微调（NeFT）方法，提升了模型的训练效率和性能。