深度网络的末期化训练导致神经坍塌现象，简化了分类器的决策规则。研究表明，采用无限制特征模型和Simplex编码标签插值可以改善分类性能，尤其在类别不平衡的情况下。提出的框架在少样本类增量学习中表现优越，且神经崩溃与批归一化和权重衰减相关。研究扩展了神经崩塌理论，验证了其在不平衡类别下的存在及影响。

本文探讨了神经网络中的损失可塑性问题及神经坍塌现象。研究表明，层归一化和权重衰减技术能够有效维持网络的可塑性，提升学习算法的稳健性。同时，神经坍塌现象会影响模型的泛化能力和优化能力，提出的正则化方法可以缓解可塑性丧失。