DEFC (Dynamic Electromagnetic Field Cascade) — геометрия вместо градиентов DEFC — это метод машинного обучения на основе геометрии, который классифицирует данные путём постепенной деформации пространства признаков с помощью каскада преобразований, управляемых взаимодействием. Вместо того чтобы напрямую изучать границу принятия решений в исходном пространстве, DEFC итеративно перестраивает геометрию данных так, чтобы структура классов становилась всё более разделимой. Метод вдохновлён полеподобными взаимодействиями между точками данных: точки одного класса склонны притягиваться, а точки разных классов вызывают отталкивание через изученные прототипные влияния. Ключевым свойством DEFC является отсутствие обратного распространения. Обучение осуществляется посредством последовательных конструктивных обновлений пространства, а не градиентной оптимизации глобальных потерь. Окончательная классификация выполняется в трансформированном пространстве, где стандартные классификаторы (например, линейные или модели на основе ядра) могут работать более эффективно благодаря улучшенному геометрическому разделению. — 🔹 Без backprop — нет градиентных спусков и глобальных функций потерь 🔹 Каскад локальных преобразований — каждый шаг «раздвигает» классы 🔹 Прототипы и взаимодействия — притяжение/отталкивание как в физическом поле 🔹 Совместимость — на выходе можно использовать обычные линейные/SVM-классификаторы