连接性可训练的深度学习网络

训练固定连接网络的权重死路一条（不是）。

定义具有如下特点的「变形网络」（morph network）

• 由一定数量互相连接的神经单元组成。单元内部形式有待商榷，但是大概率会模仿树突与轴突，每个单元拥有多个输入和一个输出，每个输入连接一个其他单元的输出，每个输出连接多个其他单元的输入。
• 所有单元具有高度统一的内部形式（具体为何种形式有待商榷），没有或者几乎没有可训练参数。
• 任意两个神经元均可以互相连接。

跟图神经网络有什么区别？

简化形式的变形网络很类似于图神经网络。可以用一个邻接矩阵来编码神经单元之间的所有连接，跟状态向量乘一下就可以模拟一步。

最主要的区别是对于连接图的诠释不同。

算了感觉有点说不清楚，先不说这个。

怎么训练

训练一个生成式网络来搭建神经单元之间的连接。

生成式网络直接解决问题的能力有时很差，但是它可以编写能解决问题的代码，并执行代码来解决问题。没有确切的证据但是我猜这样解决问题的能力严格大于直接解决问题的能力。

毕竟只要写print('<对问题的作答>')这样的程序就退化成了直接解决问题。

这里也是一样，只不过要求其编写程序的方式从编一段代码变成了连接一些神经单元。