뉴럴 콜랩스
심층 신경망의 마지막 층에서 클래스 내 가변성이 사라지고 각 클래스의 특징 벡터가 기하학적으로 최적화된 구조로 수렴하는 현상이다. 이 아티클에서는 120도 간격의 세 벡터가 전역 최적 표현 기하학임을 증명하는 근거로 사용된다. 모델 학습의 수렴 안정성과 표현 효율성을 설명하는 핵심 이론이다.
