Привет, друзья! Ура-ура, я проспалась и дописала новый-красивый геометрически-AI-ный туториал. Никогда меня так не накрывал джетлаг — три дня я просто сонный картофель — не иначе.

Что у нас на Хабре:

Туториал, посвященный и вдохновленный работой Navigating the Latent Space Dynamics of Neural Models. Она попалась мне на глаза ещё в мае 2025 и привлекла своей необычной постановкой. Сейчас, в сентябре 2026 наконец-то её разбирая, я была очень рада увидеть её принятой на ICLR 2026 (а ещё зацените, как долго я иногда дохожу до чего-то).. = )

Динамическая система — множество состояний и правило, по которому состояние меняется во времени. Шаг за шагом точка движется, и можно спросить, куда она в итоге придёт. Иногда она прилипает к «притягивающим» точкам — аттракторам.

Оказывается, такую систему можно найти внутри автоэнкодера. Берём код z, декодируем, снова кодируем: f = E∘D. Применяем f снова и снова — и получаем траекторию в латентном пространстве, а разность f(z) − z задаёт векторное поле.

Такая постановка позволяет изучить саму модель через её пространство, а не через данные. У этого есть прикольные примерения — например, детекция Out of Distribution.

В процессе туториала, идя по нему step-by-step, у вас получится:

1. Задать определение векторного поля в общем смысле и посмотреть, что это за объект внутри модели.
2. Узнать детали поля (когда пояляется, как сходится, какие есть теоремы).
3. Узнать, что такое аттракторы, бассейны притяжения и и как найти их (вместе с тонкостями процесса).
4. Проанализировать, как поле эволюционирует за обучение.
5. Увидеть, зачем это надо, кроме красивых картинок.
6. Порадоваться — ведь шесть шагов выше — это разбор ICLR статьи и вы его преодолеете.

Шаг 6 будет самый значимый. Если вы будете "трогать" термины впервые — это титанический труд — дойти до конца. Поэтому не сдавайтесь, читайте, перечитывайте и всё получится!

Всем чудесного вторника! 💔
Я рада добить этот туториал безумно — больно долго он пекся.

Ноутбучек.
Хабропост.

Призываю ставить классы репозиторию и единорожиков (не говно, ради бога) сюда 🗿