该工作由忆生科技创始团队成员及旗下研究人员深度参与，由多所学校与机构的研究者共同完成，包括加州大学伯克利分校、宾夕法尼亚大学、密歇根大学、清华大学、忆生科技、香港大学、约翰·霍普金斯大学等。 忆生科技创始人马毅教授已受邀在今年四月的ICLR大会上就和此项成果相关的一系列白盒神经网络相关工作，进行为时
论文名称：Scaling White-Box Transformers for Vision GitHub主页： https://rayjryang.github.io/CRATE-alpha/ 论文地址：https://arxiv.org/pdf/2405.20299 顶会收录：NeurIPS20
论文名称：White-Box Transformers via Sparse Rate Reduction: Compression Is All There Is? GitHub：https://ma-lab-berkeley.github.io/CRATE/ 地址：https://arxiv.o
该框架通过在特征空间中建立数据分布与线性判别表示（Linear Discriminative Representation，LDR）之间的闭环转录，实现数据的有效编码和解码。LDR由多个独立的多维线性子空间组成，每个子空间对应一个数据类别。 论文名称：CLOSED-LOOP DATA TRANSCR
论文名称：Learning Diverse and Discriminative Representations via the Principle of Maximal Coding Rate Reduction 地址：https://arxiv.org/abs/2006.08558 论文全文：h
