支援感知仲裁：可調解析度的反覆控制與壓縮策略

要點速覽

系統在對某假設做出承諾時，常因壓縮而喪失支撐該承諾的證據結構，進而影響驗證、棄權與復原等後續控制行為。作者針對這一問題構建了一種反覆仲裁架構，用主動約束場共同決定候選假設的幾何形態，並把這個幾何壓縮為一個支援感知的控制狀態。

該控制狀態的解析度不是固定的，而是由當前的後果幾何、仲裁記憶與資源限制共同調節。研究以一個有界目標來形式化保留支援與資源成本間的取捨，揭示兩類失敗模式：保留不足會使政策相關的區別消失，導致錯誤的驗證與路徑；保留過多則將學習分散到過細的情境中，降低適應能力。

透過最小化的重複互動模擬，實驗結果顯示，自適應調節支援解析度的控制器在累積效用上超越所有固定解析度控制器，且敏捷的自適應控制優於遲緩的自適應控制。雖然固定高解析度在承諾準確度上表現最好，但因資源成本與學習碎片化，整體效用仍不及自適應方案。

結語是：支援充足性應被理解為動態壓縮準則。穩健的仲裁須保存能支撐現行政策所需的最小支援結構，並在每一輪推理與行動中依情勢調整解析度，以平衡判斷品質與資源限制。

延伸閱讀

• Neural Computers：邁向完全神經電腦的新前沿
• Spectral Tempering (SpecTemp)：透過局部 SNR 推導 γ(k) 的自適應嵌入壓縮與密集檢索優化
• CoMeT：雙層記憶與壓縮/讀出 token 以常數記憶擴展長序列 Transformer

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。