可微决策树不再靠几十个特征分流：欧氏集中正则把Wine节点有效特征从8.94压到1.54
可微决策树保留显式路径和端到端训练，但每个内部节点的斜向软分裂可能同时依赖大量输入特征，削弱节点层面的可读性。EU-DDT在训练目标中加入归一化平方欧氏距离正则项，约束每个节点相对特征权重偏离均匀分布的程度，而不改动原有的sigmoid软路由。五个匹配随机种子上，Wine的平均有效特征数从8.94降到1.54、平均测试准确率从100.0%变为93.9%，Digits从45.28降到9.06、准确率从92.3%升到94.6%，呈现随数据集而异的集中度与性能权衡。