训练、学习和推断：神经系统的统一动力学

arXiv:2608.20965v1 公告类型：新 摘要：我们定义了一个原子生成事实 f=(u,tau,omega,z;rho)，记录了起源、实现的转换、具体发生、生成结果和关系角色。将这些事实编译成生成事实图（GFG），提供了AI原生的、可编译的科学事实基底，保留了生成历史。我们建立了一个基于GFG的递归科学过程，其中分析、干预、重放和验证形成后续周期的事实。使用nanoGPT，我们建立了统一的训练-学习动力学。训练是具有状态和记忆的参数-优化器系统的演化：每个实际的训练动作进入接收状态，并产生有限幅度的非线性功能响应，该响应由该状态和目标特定的更新几何所条件化。学习是这些响应对分布式功能支持的持续重组；当目标特定状态相对于其读出边界进行评估时，能力形成、维持、下降或恢复变得可观察。三个主要坐标——目标边界状态、目标特定更新几何和参数-Adam接收状态——产生一个二阶预测器，在更新后输出被读取之前运行。在留出运行中，它在四个转换上达到了91.43%的准确率和91.49%的宏平均召回率。我们进一步将推断建立为训练-学习动力学的冻结投影。组件门控和回滚显示了因果招募和查询条件支持的非加性组合，这些支持在训练期间形成，推导出由Attention实现的组织条件。受控反馈表明可能的双刃强化效应。ResNet/CIFAR-100和扩散/CIFAR-10实验证实了接收状态条件化的响应、持续支持重组和超出nanoGPT的冻结推断投影。

# 神经系统的训练、学习与推理：统一动态机制
来源：https://arxiv.org/abs/2608.20965
文献工具

## 文献与引文工具

文献浏览器开关

代码、数据、媒体

## 与本文关联的代码、数据及媒体

演示示例

## 演示示例

相关论文

## 推荐与检索工具

IArxiv推荐器开关

关于arXivLabs

## arXivLabs：与社区协作者共同探索的实验性项目

arXivLabs是一个框架，允许协作者直接在我们的网站上开发和分享新的arXiv功能。

所有使用arXivLabs的个人与组织都认同并接纳我们关于开放、社区、卓越与用户数据隐私的价值观。arXiv致力于践行这些价值观，并仅与遵循相同价值观的合作伙伴开展协作。

有能为arXiv社区创造价值的项目创意？**了解更多关于arXivLabs的信息** (https://info.arxiv.org/labs/index.html)。