SAMPAT（通过多元多项式和平滑变换的光滑近似）是一种三层神经网络架构，旨在解决深度学习模型普遍存在的可解释性不足问题。可解释性对于科学实验数据分析至关重要，因为仅仅依靠定量预测可能无法满足科学家的需求。SAMPAT 能够证明地学习一个连续且处处可微的函数，能够任意接近任何光滑函数。其近似表达式为封闭且紧凑的代数解析表达式，从而提供了完整的可解释性。
在合成数据集和基准数据集上的实验表明，SAMPAT 的性能与更简单的表示方法相当。对于许多任务，使用两层 SAMPAT 就足够了。通过限制神经元之间的连接，SAMPAT 可以提供一系列的近似，包括常规和三角多项式、有理表达式、高斯分布、高斯混合以及这些组合；而不加限制时，它会学习适合的结构。
此外，SAMPAT 还可以用于多项式因式分解和建模非线性系统。通过增加跳跃连接，4到6层的 SAMPAT 足以表示广泛应用于 AI/ML 的方法，使得模型的家族选择不仅限于参数的优化，也可以作为学习过程的一部分进行优化。
博主点评： SAMPAT 架构的提出是对深度学习可解释性需求的积极响应，尤其在科学研究中，模型的可解释性对结果的信任度至关重要。通过引入多元多项式的形式，SAMPAT 不仅提升了模型的性能，还为科学家提供了更直观的理解方式，这在未来的研究中可能会引发更广泛的应用与关注。