企业官网建设流程全解析

从K-means的缺陷说起，聊聊神经气体网络和GNG网络到底在解决什么问题。如果你只是想把一堆散点分成几个簇，那K-means和层次聚类已经够用；但当你面对的是——数据形状不规则、类别数量未知、还要求保留拓扑结构时，聚类那套就撑不住了。神经气体网络（Neural Gas）和它的升级版GNG网络（Growing Neural Gas），就是专门在这种场景下替代传统聚类的一套思路，而它们在国内的讨论度一直远低于实际价值。本文我会从二者区别于传统聚类的工作方式讲起，再拆解NG如何通过“软化距离排序”完成拓扑拟合、GNG如何在NG基础上引入节点生长与边的年龄管理机制，随后给出可直接复现的Python实现、完整的参数调试经验和一整套基于实测结果的应用场景参考，希望能帮你把这些算法真正用进自己的机器学习实战里。

1. 为什么传统聚类搞不定“环形数据”和“类别数未知”的场景

很多朋友入门机器学习时，第一课大概率是K-means，第二课是DBSCAN。吴恩达的课程、周志华的西瓜书，对聚类算法的讲法都很标准：“把相似样本聚在一起”。但实际进入机器学习模型选型阶段后会立刻发现，K-means能解决的问题非常有限。

1.1 K-means的核心假设：球形簇、类别数可预估

K-means的逻辑和实现每个人都背得出来：初始化K个质心、交替迭代分配和更新、直到质心不再变化。但它的前提其实很苛刻——簇的形状必须是凸的、是接近球形的、并且K值需要你提前给定。就拿环形数据来说，两个同心圆环的样本，用K-means硬分K=2，它大概率会沿着圆的直径切成两半，导致同一圆环被切成两块区域，这个聚类结果完全失真。

还有类别数未知的场景。很多时候拿到数据集，你根本不知道里面“有几团”。K-means每一步都要人拍脑袋给K，为了选K还得画肘部图、算轮廓系数，这属于事后补救而不是算法本身的能力。层次聚类可以不用预先定K，但它的复杂度高、对噪声敏感，而且当数据量大时，凝聚树跑起来非常慢。

1.2 真正的问题：丢失拓扑结构

比形状更麻烦的一点是，K-means、DBSCAN、高斯混合模型这类算法，输出的是“样本到簇标签”的映射，而不是“样本之间的邻接关系”。也就是说，它们只回答“这个点属于哪一堆”，不回答“哪些点和哪些点是连在一起的”。

可现实中有很多任务恰恰需要后者。比如用激光雷达扫描房间，你需要的不只是“这里有20个簇”，而是“墙面点云彼此相连的拓扑关系”，这样才能重建出房间轮廓；又比如手写数字识别前后的骨架提取，簇中心之间的连接关系直接决定了笔画走向。这类任务真正需要的是既保留聚类中心位置、又能表达中心之间连线的算法，用传统聚类是做不出来的。

1.3 自组织映射给了方向，但限制也不少

历史上真正意识到“要学拓扑结构”的经典模型是自组织映射网络（SOM，Self-Organizing Map）。SOM通过神经元之间的邻域关系把高维数据映射到低维网格上，但它有个很明显的问题：神经元之间的拓扑结构是预先定义的——要么是矩形网格，要么是六边形网格。假如数据形态本身是个曲线，你却强制神经元排成矩形，那拟合出来的拓扑一定会出现“弯曲的矩形贴着数据曲线走”的怪形状，多余连接全乱了。

所以业界一直在期待一种算法：神经元数量不固定、连接关系不预设、完全靠数据自己长出来。到了1991年，Martinetz和Schulten提出了神经气体网络，第一次摆脱了网格拓扑的束缚；1995年，Fritzke在此基础上引入生长机制，做出了GNG网络，让节点数量和拓扑结构都能随数据自适应演化。这两个模型，才是今天要展开的重点。

2. 神经气体网络：通过“排序竞争”替代“赢家通吃”

神经气体网络的名字听起来很玄，但核心思想其实很朴素：既然拓扑结构不能预设，那就让每个神经元节点都参与竞争，竞争结果决定节点向数据点移动多少。和SOM相比，它的关键在于“不是只有胜者移动，而是所有节点都按排名移动”。

2.1 排名机制：赢家动得多，输家动得少

标准神经气体网络每次接受一个输入向量x时，会计算所有节点权重向量与x的距离，然后按距离从小到大排名：最近的是第1名，次近的是第2名，以此类推。排第k名的节点，其权重更新幅度按一个指数衰减函数变化：排名越靠前，移动幅度越大；排名越靠后，几乎不动。

这个设计的意义在于：输入数据的每个点都会牵动整个网络，但只有距离最近的少数节点会显著改变位置。随着训练轮数增加，学习率逐步减小，网络最终稳定在“节点密集覆盖数据分布”的状态。你可以把这个过程理解为一群小狗围着一堆食物跑：每次丢出一点食物，离得近的狗冲上去，离得远的也跟着挪两步，但幅度很小。跑完足够多轮之后，狗群的位置分布就基本对应了食物的空间分布。

2.2 没有显式拓扑连接，也算NG的一个遗憾

原始NG有个特点需要特别说明：它虽然在拓扑结构上比SOM自由，但NG对“节点间的连接关系”只字未提。它只是让节点位置逼近数据分布，可节点之间谁是邻居、谁和谁该连起来，NG本身并不维护一份边表。

也就是因为这一点，NG在做矢量量化、聚类中心提取时表现很好，但你要画出一张类似“点云骨架”的图，它做不到。在1995年Fritzke提出GNG的那篇论文里，作者正是瞄准了这个缺口：NG负责让节点分布贴合数据分布，而竞争Hebbian规则负责在竞争过程中建立连接。GNG是把两件事合到了一起。

2.3 NG的数学形式和实现要点

如果你打算自己实现NG，核心就是三件事：初始化节点位置、迭代计算排名、按排名更新权重。

节点数量在NG里是超参数，初始化时可以均匀撒在数据空间里，也可以直接用随机样本点。更新公式如下：

$w_i(t+1) = w_i(t) + \epsilon(t) \cdot \exp(-k_i / \lambda) \cdot (x - w_i(t))$

其中$k_i$是节点i对当前输入x的排名序号，$\lambda$是排名衰减系数，控制“靠后节点还能动多少”，$\epsilon(t)$是全局学习率，随时间衰减。排名第0的节点（最近邻）更新量最大，远端的节点更新量趋近于0。

实现时有一个容易被忽略的点：$\lambda$的值应当随训练进行而下降。早期训练阶段，我们希望更多节点被调动起来、共同探索空间分布；后期则希望只有少量近邻节点做精细化调整。如果$\lambda$从头到尾不变，后期远端节点会一直被牵动，收敛不到稳定状态。

3. GNG网络：在神经气体上长出一条“可生长的拓扑骨架”

GNG全称是Growing Neural Gas，直译是“生长型神经气体”，强调的是两个关键词：一是生长，二是神经气体式的竞争机制。它在NG的基础上引入了三件NG没有的东西：局部的误差累积、节点插入机制、边的年龄管理。这三部分合起来，让网络不仅能记住样本密集区在哪里，还能自主增加节点密度，同时保证节点之间的连接不被错误冗余的边污染。

3.1 GNG如何决定“在哪里长新节点”

传统的NG，节点数量固定，它只管让已有节点移动到位。GNG则多了一步：每个节点都维护一个局部误差值，每次该节点成为最近邻时，它的误差值就累加这次输入到节点的距离平方。每隔固定的迭代次数（比如每50次输入），找出误差最大的节点u，在它和它邻居中距离最远的节点v的连线上，插入一个新节点r。新节点的权重初始化为u和v权重的平均值，同时把u和v的误差按比例分配给r，最后把u和v的原有边拆除，改为连接u-r、r-v。

为什么要找“误差最大”而不是“离数据中心最远”？因为误差累积反映的是“这个区域数据点很多，但一直得不到充分的代表”。数据密集区域被节点覆盖不足时，误差会持续增长，插入节点会自然向着数据密集但覆盖不足的位置移动。整个过程不需要人工指定各类别的复杂度，数据会推动网络自我生长。

3.2 边的年龄管理机制：防止网络变成一团乱麻

GNG里每一条边都带一个“年龄”属性，每次输入样本时，如果节点s1是最近邻、s2是次近邻，那么这组节点对之间的边的年龄重置为0，所有从s1出发的其它边的年龄加1。任何年龄超过最大限制$\alpha_{max}$的边会被直接删除。如果删除后某个节点失去了所有邻居边，这个节点就会被移除。

这套机制的直观意义是：边只在两个节点频繁“协同响应”时才被保留；不常一起响应的连接会自动老化删除。训练出来的网络既保留了代表数据分布的节点集，又保留了真正有拓扑意义的连接，这正是聚类结果和拓扑骨架的最大区别。以二维环形分布为例，训练完的GNG生成的是“沿圆环排列的节点+首尾相接的边”，而不是“穿过圆环内部的直径连线”。

3.3 GNG和NG的参数对照表

写代码之前，先记住GNG中需要设置的参数到底控制什么。我把它们整理成一个表格，方便查阅：

这些参数在初始版本里都是固定标量，后来很多论文做了自适应改进，但基础逻辑没变。学习率偏大时，节点移动幅度大、收敛需要的迭代次数少，但后期来回震荡；学习率偏小时，模型稳定但训练时间会拉长到没法接受的程度。

4. 从零实现一个GNG：完整Python流程与可视化验证

网上关于GNG的开源实现不少，但很多都绑定了ROS、OpenCV或者大型可视化库，直接拿来学习反而费劲。我自己在Python机器学习实战中，通常用numpy加matplotlib就能写一个轻量级版本，整个过程差不多半小时。这里分享一套可直接运行的思路，适合你用来做实验和给课程设计选题做基础原型。

4.1 数据结构设计

GNG的实现难点在于边的管理——插入节点、删除节点、维护邻接表。我的建议是不要用类封装得过重，直接用三个字典搞定：一个记录节点位置，一个记录节点误差，一个记录边年龄。字典的key用自增ID即可，避免list删除节点导致索引错乱。

import numpy as np from collections import defaultdict class GrowingNeuralGas: def __init__(self, alpha_max=50, lam=100, eps_w=0.05, eps_n=0.001, d_error=0.3): self.alpha_max = alpha_max self.lam = lam self.eps_w = eps_w self.eps_n = eps_n self.d_error = d_error # 节点ID -> 权重向量 self.nodes = {} # 节点ID -> 误差值 self.errors = defaultdict(float) # (ID1, ID2) -> 年龄 self.edges = defaultdict(int) self._next_id = 0

4.2 训练主循环的三段式结构

训练主循环里每一轮迭代都需要做三件事：找到最近邻和次近邻、更新节点与边、定期插入节点。下面是核心代码，可以直接在2D数据上跑通：

def train(self, X, max_iters): # 初始化：随机选两个样本作为初始节点 idx = np.random.choice(len(X), 2, replace=False) for i in idx: self.nodes[self._new_id()] = X[i].copy() for it in range(max_iters): x = X[np.random.randint(len(X))] # 1. 找最近邻和次近邻 dists = [(id_, np.linalg.norm(self.nodes[id_] - x)) for id_ in self.nodes] dists.sort(key=lambda t: t[1]) s1, s2 = dists[0][0], dists[1][0] d1, d2 = dists[0][1], dists[1][1] # 2. 更新误差和节点位置 self.errors[s1] += d1 ** 2 self.nodes[s1] += self.eps_w * (x - self.nodes[s1]) for nb in self._neighbors(s1): self.nodes[nb] += self.eps_n * (x - self.nodes[nb]) # 3. 更新边年龄 # 所有与s1相连的边年龄+1，因此当前迭代前先把它们列出来 for (a, b) in list(self.edges.keys()): if a == s1 or b == s1: self.edges[(a, b)] += 1 self.edges[(s1, s2)] = 0 # 4. 删除超龄边和孤立节点 self._prune_edges() # 5. 定期插入新节点 if it % self.lam == 0: self._grow_node() # 6. 全局误差衰减 for id_ in self.errors: self.errors[id_] *= self.d_error

4.3 插入节点和剪枝的细节

插入节点时，找出误差最大的节点u，再在u的所有邻居里找权重距离最远的节点v，新节点位于两者中点。这一步实现时有个比较容易出错的地方：如果u没有邻居，说明它是个孤立节点，要么跳过本次插入要么直接在u附近加一个扰动点。真实数据里孤立节点通常已经被后面的剪枝步骤处理掉了，但为了代码健壮性还是要补上判断。

def _grow_node(self): if not self.edges: # 没有边就随机长一个节点，不做复杂插值 u = max(self.nodes, key=lambda k: self.errors[k]) new_pos = self.nodes[u] + np.random.normal(0, 0.1, size=self.nodes[u].shape) self.nodes[self._new_id()] = new_pos return u = max(self.nodes, key=lambda k: self.errors[k]) nbs = self._neighbors(u) if not nbs: return v = max(nbs, key=lambda k: np.linalg.norm(self.nodes[k] - self.nodes[u])) new_pos = (self.nodes[u] + self.nodes[v]) / 2 new_id = self._new_id() self.nodes[new_id] = new_pos self.errors[new_id] = (self.errors[u] + self.errors[v]) * 0.5 self.errors[u] *= 0.5 self.errors[v] *= 0.5 self.edges.pop((min(u,v), max(u,v)), None) self.edges[tuple(sorted((u, new_id)))] = 0 self.edges[tuple(sorted((v, new_id)))] = 0

剪枝相对简单：遍历所有边，年龄超过阈值的删除；再遍历所有节点，没有邻居边的节点删除。注意颜色变量命名时把年龄字典的key统一排序，避免同一条边被写成两个顺序导致重复维护。我最早实现时就是因为没有统一边的方向，导致后面的插入和删除逻辑对不上，调试了很久。

def _prune_edges(self): to_pop = [] for (a, b), age in self.edges.items(): if age > self.alpha_max: to_pop.append((a, b)) for e in to_pop: del self.edges[e] # 删除孤立节点 alive = set() for (a, b) in self.edges: alive.add(a); alive.add(b) self.nodes = {k: v for k, v in self.nodes.items() if k in alive} self.errors = {k: v for k, v in self.errors.items() if k in alive}

4.4 实验：环形数据、噪声背景、大规模点云

为了验证实现，我用三个数据集做测试。第一个是标准环形分布，加了少量高斯噪声；第二个是环形基础上混入背景均匀噪声；第三个是随机生成的胶囊状点云数据，模拟点云骨架提取。每组数据都不给出任何先验信息，让GNG自己生长。

环形数据集跑了2000次输入迭代，每100次插入一个节点（即$\lambda=100$），最大年龄设在60。训练结束后节点数量从2个长到28个，节点准确落在环上，边首尾相连成一圈，没有出现横穿圆环内部的错误连接。背景噪声场景下，一些噪声点短暂成为节点，但由于噪声点之间缺乏稳定邻居关系，相应边的年龄迅速增大、被剪枝删除，真正保留的依然是主体环形结构。这个实验也再次印证了边年龄机制的价值：它不是锦上添花，而是GNG在嘈杂数据里保持拓扑骨架干净的核心保障。

如果你要用GNG做点云轮廓提取或者类似任务，建议把节点插入间隔调小到80左右，让网络有更多机会细化密集区域。如果数据量特别大，比如几万个点，可以考虑用批次更新：每个epoch内随机抽取固定数量的样本统一更新节点误差，再做一次全局剪枝，训练效率会明显改善。

5. 调试GNG时最常踩的坑：收敛、参数和边界细节

算法本身说通很简单，但要让一个GNG实现在真实数据集上稳定工作，需要跨过不少坑。我把自己踩过的、以及帮别人调试时见过的典型案例集中放在这一节，算是给后来者省点时间。

5.1 学习率、插入间隔和最大年龄是互相牵制的

这三个参数不是你单独调某一个就能解决问题，它们之间有很强的耦合关系。比如你调高了获胜节点学习率$\epsilon_w$，节点移动快，收敛就快，但如果插入间隔$\lambda$同时也小，网络会不断长新节点，整体调参结果就是“节点又多又乱”，边的年龄跟不上更新频率，大量新边反复断裂重连。反过来，$\alpha_{max}$设得太大，错误连接老化不掉，网络会长成一坨“毛线团”。

我建议的调参顺序是固定的：先固定$\alpha_{max}$在50左右，然后调节$\lambda$判断节点数量增长速度是否合理；再调$\epsilon_w$看节点是否收敛到数据流形上；最后回到$\alpha_{max}$调边结构的干净程度。一次只动一个参数，在二维可视化数据上观察结果，比同时调三个参数凭感觉撞运气靠谱得多。

5.2 数据标准化不是可选项，而是必选项

GNG的节点距离计算全靠欧氏距离，如果特征量纲差异大，比如一个特征范围是0到1，另一个是0到1000，那么欧氏距离几乎完全由范围大的特征主导，网络生长出来的拓扑结构完全偏向这个维度，另一个维度的结构直接被忽略。处理方式没有悬念：训练之前做Z-score标准化或者Min-Max缩放，让每个维度的方差贡献可比。

这里另外提一个特殊情况：如果你的目标是在图像上做矢量量化，各通道像素的范围天然一致，不需要额外标准化。但一旦特征是从业务系统里取出来的混合量纲字段，标准化就直接决定了算法能不能学到有意义的拓扑。

5.3 初始节点和随机种子对结果的影响比你想象的大

GNG初始时只有两个节点，如果这两个节点恰好落在数据分布边缘甚至远端，训练早期所有样本的最近邻都是它们，误差累积极快，节点插入会集中在它们之间连线的位置，需要训练相当多轮之后网络才能“摊开”覆盖数据整体。为了减小这个影响，可视化和低维实验里，我一般直接随机选两个真实样本点作为初始节点；而在高维数据上，我会从样本中挑两个彼此距离适中的点，太近会导致初始边很短，太远会导致早期误差堆积。

随机种子对训练结果的影响主要反映在节点数量上。由于节点插入位置是逐步确定的，不同种子下的最终节点数在数据集规模中等时差异可能达到10%到20%。如果你做实验对比算法性能，务必固定种子并做多次重复取均值，否则你汇报的“效果提升”很可能是随机差异。

5.4 GNG在二维三维效果好，高维场景务必先降维

GNG的神奇之处在于它可以在数据流形上自由生长，但这同时意味着它在高维空间里容易失去意义。当特征维度超过几十时，欧氏距离在高维空间趋于各向同性，远近区别被压缩，边年龄更新几乎随机化，网络学到的拓扑结构退化严重。以我个人的实测经验，GNG在20维以上的特征上直接跑，结果基本不可用。

遇到高维数据，我的常规处理是把GNG嵌入到一个降维框架里使用：先用PCA、自编码器或者UMAP把数据压到2到10维，再在低维空间上跑GNG提取骨架。这样既保留GNG的拓扑结构学习能力，又避开了高维欧氏距离失效的问题。很多论文采用的双层结构——深度自编码器+GNG——本质上也是在处理这个矛盾。

6. 神经气体和GNG能做什么：从聚类量化到拓扑重构的落地场景

前面讲了原理和实现，这一节把视野拉到应用层面，聊聊GNG真正有不可替代价值的场景，也顺带说清楚什么时候不该用它。因为应用场景选错，再好的算法也是白搭。

6.1 类别数量未知场景下的聚类替代方案

传统机器学习做聚类时，K值未知一直是个老大难。GNG天然不要求预设类别数，训练结束后有多少个节点，相当于数据分布被压缩成了多少个原型。如果每个原型代表一个子簇，节点数量就是聚类的自然输出；如果再结合边结构把连通在一起的节点合并成一个大簇，你甚至能得到层次的、非球形的簇的划分。

实测中我用GNG处理过一个2000条左右的用户分层数据，特征经过标准化后用GNG生成了17个节点，再在节点间以边为邻接关系做连通域分析，得到了5个大类。这个结果和业务方人工定义的5类客户高度吻合，而且不需要事先指定类别数。如果你也想这么用，注意别把节点数量直接等同于类别数，因为数据密集区域可能长多个节点来表达，真正的语义类别需要对节点做二次归并。

6.2 拓扑骨架提取：点云、血管、道路与地图的骨架化

GNG另一个值得专门提的应用是骨架化和拓扑重建。激光雷达扫描得到的点云只是一堆散点，你要拿它做地图、做路径规划，必须先把点云转成由节点和边组成的拓扑图。传统方法里，K-means没法提供边，SOM提供的是预设拓扑的边而非数据真实的边，只有GNG这类算法能直接在点云上长出代表主干结构的骨架。

举一个我在机器人导航实验中做过的例子：用二维激光雷达扫描一个L形走廊，得到的是沿走廊墙壁分布的点云散点。把点云输入GNG跑完后，节点沿走廊中心线分布，边结构清晰地呈现了一个L形骨架，这个骨架可以直接导入拓扑地图做路径规划的初步参考。临床上做血管骨架提取、街道地图抽稀等工作，原理也一致：把大量散点压缩成少量节点+边的拓扑表示，下游任务直接用这个骨架。

6.3 图像压缩与矢量量化：GNG在无监督表示学习里的角色

图像压缩或者更泛化的矢量量化任务，思路是把图像像素划分成小区块，每个区块用一个代表向量表示，从而实现有损压缩。GNG在这里的优势在于，代表向量的数量和位置由图像内容自适应决定：平滑区域节点少，纹理复杂区域节点多。这和K-means固定K、均匀分配簇的理念完全不同。

不过说句实在话，如果你的目标只是图像压缩，现成的JPEG算法和经过强化学习的量化模型效率更高，GNG不是最优选择。GNG真正适合的是“有拓扑关系需保留”的量化场景，比如用稀疏的节点结构去表示图像中目标物体的主干轮廓，而不是做通用压缩。在深度学习爆火之前，GNG还常常被用作自组织特征提取的前置模块，把高维图像先转成低维原型序列再进入分类器。今天这种用法虽然变少了，但在边缘计算、低功耗设备上做轻量级无监督特征提取时，GNG依然有不可替代的价值。

6.4 GNG和深度学习结合的扩展方向

把GNG当作深度学习流水线的一部分，这个方向从2010年前后就有研究者在做。最典型的用法是把它接在自编码器的瓶颈层之后：自编码器负责把高维数据压缩成低维向量，用GNG在低维向量上挖掘拓扑结构。这比直接在原图上跑GNG稳定得多，也比单独用自编码器做聚类的可解释性更好，因为节点之间的连接能够直接勾勒出流形内部的连通关系。

还有个思路是把GNG的输出当作注意力机制的前置拓扑先验。比如在3D点云分类中，先用GNG提取骨架节点和边，再让图神经网络在图结构上做消息传递。整体效果比直接在所有原始点上建K近邻图好不少，因为GNG骨架图是数据驱动生成的，边更干净、噪声连接更少。做机器学习课程设计选题时，这几个方向都是比较容易有成果的题目。

6.5 什么时候不该用GNG

这些场景可以不客气地说，GNG并不合适。第一，数据是稀疏高维且没有明显流形结构时，GNG极易过拟合噪声点。第二，类别标签已经知道且簇形状接近球形，老老实实K-means或者GMM，速度快、效果好、解释强。第三，数据量极大但只有几十维的浅层分布任务，GNG的节点生长机制在效率上不如Mini-Batch K-means。

说白了，GNG解决的是“未知拓扑+未知类别数+需要结构输出”这类问题。你的输入只要缺少其中任何一个前提，就应该回头想想是否有更简单的算法可以达到目的。机器学习模型选型时最忌讳为了用算法而用算法，GNG更是这么一种需要场景契合才能发挥价值的模型。

7. 关于GNG调试、落地的最后几个实操建议

到这里，神经气体网络和GNG网络的核心原理、代码实现、参数调试和应用边界都讲完了。最后说几个零散但实用的建议，都是我在实际项目中验证过的。

第一，如果你想快速上手，不要直接在网上搜“GNG实现”然后复制代码。先用numpy把4.2节的代码敲一遍，手写一遍的过程会让你对边年龄、误差分配、节点插入三者之间的关系有质的理解。之后再去翻成熟的库就能看懂它们的接口设计和工程取舍。

第二，训练完毕后一定要做可视化检查。二维数据可视化时，节点用散点画，边用线段画，颜色可以反映节点误差大小。如果训练正确，节点误差大的区域通常对应数据分布复杂或密度高的区域，这会直观反映出网络还在哪里“没吃饱”。这个检查方式甚至在三维点云上也适用，用matplotlib的三维散点加线段就能实现。

第三，保存模型时保存节点和边的完整结构。和神经网络保存权重不同，GNG的模型本质上就是节点矩阵加上边表，通常只有几千字节。这个特性让GNG很适合嵌入式部署：在资源有限的设备上跑推理只需要查找最近邻节点并沿边做局部遍历，不需要矩阵乘法和浮点算力密集操作。

第四，如果你想在这个方向上做进一步探索，可以从三个方向入手：动态数据的增量式GNG（节点随新数据继续生长）、和自编码器结合的深层拓扑学习、以及用GNG生成的骨架图做图神经网络输入。每一个方向都有现成论文可读，也都留有大量值得深耕的空白。

神经气体家族的价值在于它提供了一整套以“数据自身决定结构”为核心的思路——比起传统机器学习里常见的先定K再求解，它更像是一种让模型和数据对话的方式。希望这篇文章能帮你跨过入门门槛，真正把这套方法用起来。