Temporal Credit Is Free：为什么我们花了30年才意识到 Jacobian 是不必要的？
> 想象你正在学骑自行车。每次摔倒，你都在调整身体的姿势。传统智慧告诉你：要精确计算每次踩踏的力度、车把的角度、重心的移动——这是一套复杂的"物理方程"。 > > 但有一天你突然发现：其实你只需要感受当下的失衡，身体会自动调整。过去的经验已经编码在你的肌肉记忆里，不需要每次都重新计算。 > > 这就是这篇论文的核心发现。
---
一、在线学习的困境
什么是"在线学习"？
想象一个正在学走路的机器人。它不是先看一万条走路视频，然后再行动。它是边走路边学习——每一步都在调整。
这就是在线学习（Online Learning）：模型在处理数据流的同时不断更新自己。
循环神经网络（RNN）的特殊挑战
RNN 有一个独特的结构：隐藏状态（hidden state）。
输入 x_t → [隐藏状态 h_t] → 输出 y_t
↑___________|
隐藏状态像一个"记忆盒子"，保存着之前所有输入的信息。问题是：当模型犯错时，该怪谁？
- 是当前的输入？
- 是10步之前的某个输入？
- 还是100步之前的某个输入？
标准答案：RTRL
1989年，Williams 和 Zipser 提出了 RTRL（Real-Time Recurrent Learning，实时循环学习）。
RTRL 的核心是维护一个敏感度张量 P_t：
P_t = ∂h_t/∂θ
它追踪每个参数如何影响当前隐藏状态。更新规则是：
P_t = J_t · P_{t-1} + 直接梯度
其中 J_t = ∂h_t/∂h_{t-1} 是状态 Jacobian，描述隐藏状态如何随时间传播。
问题：计算 J_t · P_{t-1} 的代价是 O(n⁴) 每步（n 是隐藏单元数）。
对于 n=64 的小网络，这还可以接受。但对于 n=1024 的实用网络，这意味着每步要计算数十亿次操作。
30年的近似之路
既然完整 RTRL 太贵，研究者们开始寻找近似方法：
| 方法 | 复杂度 | 策略 |
|---|---|---|
| UORO [Tallec & Ollivier, 2017] | O(n²) | 秩-1压缩 |
| KF-RTRL [Benzing et al., 2019] | O(n³) | Kronecker-sum 近似 |
| Sparse RTRL [Menick et al., 2021] | O(n²) | 图结构稀疏性 |
| LRUs [Zucchet et al., 2023] | O(n) | 对角递归 |
这篇论文说：这个假设是错的。
---
二、两个被忽视的错误
弯路：一个意外的发现
作者在先前关于稀疏 Jacobian 传输的工作中发现了一个奇怪的现象：
当设置 k=1（只传播 Jacobian 的单个随机列）时，由于实现中的"环形掩码"，实际上没有传播任何 Jacobian——只计算了即时导数。
结果？这种方法恢复了 86% 的完整 RTRL 性能。
如果零时间传播能恢复大部分信号，为什么标准的 eligibility traces（同样缺乏完整 Jacobian 传播）会失败？
错误 #1：Trace Decay 的严重误校准
Eligibility traces 是一种简化的在线学习方法：
e_t = λ · e_{t-1} + 直接梯度
衰减系数 λ（通常设为 0.95）旨在近似过去时间步的衰减影响。
但这里有一个问题：作者在训练好的 vanilla RNN（n=64）中测量了神经元自传播因子：
实测值 ≈ 0.01 每步
这是每个神经元自身过去值通过循环自连接影响当前值的速率。
现在对比标准设置 λ=0.95：
| 时间步 | λ=0.95 的权重 | 真实影响 | 比例 |
|---|---|---|---|
| t-10 | 0.95¹⁰ ≈ 0.60 | 0.01¹⁰ ≈ 10⁻²⁰ | 60万亿亿倍 |
| t-100 | 0.95¹⁰⁰ ≈ 0.006 | 0.01¹⁰⁰ ≈ 10⁻²⁰⁰ | 天文数字 |
在 t=500 时，累积的 trace（λ=0.95）比即时导数大 6.7 倍，且指向不同方向（余弦相似度 0.577）。
Trace 没有提供有用的时间信用。它提供的是陈旧梯度信息，且尺度完全错误。
错误 #2：梯度尺度的隐性灾难
即使修正了 trace decay，还有一个问题。
在训练好的 vanilla RNN（n=64）中，作者测量了不同参数组的平均梯度范数：
循环权重梯度 ∂L/∂W_hh ≈ 0.001
输出权重梯度 ∂L/∂W_out ≈ 0.1
差距：100 倍
这是激活函数的直接后果：tanh 导数 (1-h_t²) 压缩了流经循环的梯度，而输出路径是直接的线性投影，没有压缩。
SGD 对两组参数应用相同的学习率，因此循环权重更新的有效幅度比输出更新小 100 倍。
网络可以调整其输出映射，但无法调整其动态。
---
三、解决方案：两个简单的修正
修正 #1：Trace Decay = 0
核心洞察：隐藏状态已经通过前向传播携带了完整的时间信息。
当你计算即时导数 ∂h_t/∂θ 时，你实际上是通过 h_t 计算梯度，而 h_t 已经编码了所有历史输入的信息。
不需要额外的 trace 来传播时间信用。隐藏状态本身就是时间信用的载体。
实验显示：
- 当 decay 从 0.001 到 0.5 时，恢复率在 102-200% 之间
- 当 decay = 0.95（标准默认值）时，恢复率 = 0%（每个种子都失败）
整个低于 0.5 的区域都是安全的高原；标准的 0.95 默认值位于悬崖的错误一侧。
修正 #2：Adam 的 β₂（或 RMSprop）
Adam 优化器维护每个参数的运行平方梯度估计：
v_t = β₂ · v_{t-1} + (1-β₂) · g_t²
然后每个参数更新被归一化：
θ ← θ - η · g_t / √v_t
在标准批量训练中，这是一个训练便利。在在线循环学习中，这是一个必要的修正。
实验对比（即时导数 + 不同优化器）：
| 优化器 | Sine 任务恢复率 | 延迟任务恢复率 |
|---|---|---|
| SGD | -34% | -58% |
| SGD + Momentum | 12% | -59% |
| Adam β₁-only | -34% | -58% |
| RMSprop (α=0.99) | 91% | 179% |
| Adam β₂-only | 33% | 167% |
| Adam (完整) | 102% | 147% |
- 所有具有二阶矩归一化（β₂）的配置都能适应
- 所有没有它的配置都失败
- Momentum（β₁）单独添加 nothing
---
四、架构规则：何时需要 β₂？
跨架构验证
如果根本原因确实是架构性的（非线性激活压缩循环梯度），那么相同模式应该出现在任何具有非线性状态更新且没有替代适应路径的架构中。
作者测试了10个架构：
| 架构 | Adam/β₂ | SGD | 梯度比 | 输出旁路 |
|---|---|---|---|---|
| Vanilla RNN | 102% | -34% | 100× | 无 |
| LSTM | 99.7% | 59.4% | ~31× | 无 |
| CTRNN | 89.8% | ~0% | 278× | 无 |
| xLSTM (sLSTM) | 91.5% | 60.0% | ~24× | 无 |
| RWKV | 适应 | 0% | ∞ | 无 |
| RetNet | 93% | -17% | ~64× | 无 |
| Vanilla GRU | 适应 | 适应 | 5-19× | Update gate |
| SSM (S4) | 适应 | 适应 | <6× | C/D 输出 |
| Block-GRU+MLP | 适应 | 50×更好 | 50000× | MLP 输出 |
架构规则
当两个条件同时满足时，需要每个参数的梯度归一化：
1. 循环状态更新涉及压缩梯度的非线性或乘法变换 2. 没有具有足够容量的并行输出路径，允许模型在不更新压缩循环的情况下适应
当任一条件不存在时，SGD 就足够了。
突破规则的架构
Vanilla GRU：更新门 z_t 创建了一个线性插值，提供了一个绕过非线性候选计算的梯度路径。梯度比只有 5-19×，足够小让 SGD 处理。
SSM (S4)：具有通过 C 和 D 矩阵的直接输出路径，完全绕过循环状态更新 (A, B)。循环参数梯度接近零，但模型不需要更新它们。
Block-GRU+MLP：MLP 输出路径提供直接、良好缩放的梯度。在 Lorenz 任务上，SGD 比 Adam 好 50 倍。MLP 接收的梯度是 GRU 内部结构的 50,000 倍。
---
五、惊人的扩展性
内存对比
| 方法 | 复杂度 | n=64 | n=1024 |
|---|---|---|---|
| 即时导数 (decay=0) | O(n²) | 32 KB | 12.6 MB |
| Sparse RTRL (k=4) | O(n²) | ~1 MB | ~500 MB |
| Full RTRL | O(n³) | 1 MB | 12.9 GB |
真实数据验证
跨会话 BCI 解码：
- 使用灵长类 reaching 数据，7 个月的电极漂移
- Adam: 82% 恢复率
- RMSprop (α=0.99): 106% 恢复率
- Sparse RTRL (k=4): 85%
- Full RTRL: 50%（5个种子中有2个部分发散）
- 在 River 库的 Hyperplane 生成器上
- RNN + decay 0.0 + Adam: 0.925 准确率
- Adaptive Random Forest: 0.842 准确率 (+8.3 pp)
预训练语言模型
使用 LoRA 适配器在线适应域转移（无回放，单次处理）：
| 模型 | 参数量 | Adam β₂ | SGD |
|---|---|---|---|
| GPT-2 | 124M | 21.6% | 0.0% |
| Mamba-130M | 130M | 51.6% | 0.1% |
| TinyLlama | 1.1B | 31.6% | 0.1% |
| Mamba-1.4B | 1.4B | 133.5% | 2.4% |
| Qwen2 | 7B | 31.3% | 0.0% |
使用 rank-16 适配器和 40K token，GPT-2 恢复率达到 136.8%。
---
六、为什么这花了30年？
三个相互强化的因素
因素 #1：没有人测量实际的自传播因子
Murray 的 RFLO 使用 λ=0.9，Bellec 的 e-prop 使用膜时间常数，0.95 成为惯例。
计算 diag(1-h_t²) · diag(W_hh) 是微不足道的，但没有人做。
因素 #2：Adam 直到 2014 年才出现
RTRL 文献始于 1989 年。25 年来，每个人都使用 SGD。
SGD 确实无法用仅即时的梯度进行在线适应（表1）。
"需要时间传播"的结论对于 SGD 是正确的。领域在每位参数归一化成为标准后没有重新审视它。
因素 #3：这些错误相互强化
如果你相信时间传播是必要的，你就不会检查为什么仅即时+SGD 失败。
当仅即时+SGD 确实失败时，你得出结论时间传播是必要的。
没有人尝试打破循环的组合：仅即时 + Adam。
---
七、深层洞察：参数 Jacobian 的各向同性
惊人的结构性质
作者在先前的工作中发现：训练好的 RNN 的参数 Jacobian 接近各向同性——其奇异值大致均匀，条件数在 2.6-6.5 之间（n=64），并随 n^0.216 缩放。
这种各向同性不是学来的，而是从随机高斯初始化继承的，并被训练近似保持。
因为梯度信息大致均匀地分布在参数空间的所有方向上，任何单个方向，包括即时导数，都捕获了大部分相关信号。
各向同性解释了为什么 Jacobian 项添加如此之少：当所有方向携带相似信息时，没有特权子空间需要时间来揭示。
---
八、局限与未来方向
当前局限
1. 单层网络：所有从头开始的实验使用单层网络。在两层 RNN 中，每层内的 Jacobian 保持各向同性，但跨层 Jacobian 高度各向异性（条件数 3773）。扩展到深层循环网络是一个开放问题。
2. 时间范围：测试的任务涉及长达 50 步的时间依赖。声明是关于梯度计算的，不是关于长期信用分配的。如果隐藏状态由于梯度消失而没有保留信息，没有梯度方法能恢复它。
3. 预训练模型：直接在线更新预训练基础模型无论优化器如何都产生接近零的适应。发现仅通过 LoRA 等参数高效适配器适用于预训练模型。
开放问题
- 深层循环网络需要解决跨层各向异性瓶颈
- 即时导数在非梯度学习规则（如预测编码）下是否仍然足够尚未测试
- LoRA 在 7B 的结果表明基础模型的在线适应是可行的，但实用工程（更新频率、适配器秩、长流稳定性）尚未探索
九、实用建议
对于单层循环架构的在线训练
设置 trace decay 为零，使用 Adam 或 RMSprop。
这匹配或超过完整 RTRL，成本远低于它，且没有任何 Jacobian 计算。
对于预训练模型
使用 LoRA + Adam 进行在线域适应。
SGD 无法实现。
检查清单
1. 是否使用非线性状态更新？（tanh、sigmoid、乘法交互） 2. 是否有输出旁路？（线性路径、C/D 矩阵、MLP 输出） 3. 如果 (1) 是且 (2) 否 → 必须使用 β₂ 归一化 4. 如果 (2) 是 → SGD 可能足够或更好
---
十、结语：免费的午餐
这篇论文的标题"Temporal Credit Is Free"（时间信用是免费的）是一个双关。
一方面，它说：时间信用分配不需要昂贵的 Jacobian 传播——隐藏状态已经通过前向传播免费提供。
另一方面，它暗示：我们花了30年才发现这一点，因为两个简单的错误让我们一直在寻找复杂的解决方案。
有时候，科学进步不是通过发现新的复杂事物，而是通过意识到我们一直忽视的简单真理。
就像骑自行车——你不需要每次重新计算物理方程。你的身体已经知道该怎么做。
RNN 也是如此。隐藏状态已经知道该怎么做。我们只需要正确地倾听它。
---
参考阅读
论文原文： Shalev Merin, A. (2026). Temporal Credit Is Free. arXiv:2603.28750.
相关概念：
- RTRL: Williams, R. J., & Zipser, D. (1989). A learning algorithm for continually running fully recurrent neural networks.
- Eligibility Traces: Murray, J. M. (2019). Local online learning in recurrent networks with random feedback.
- Adam: Kingma, D. P., & Ba, J. (2015). Adam: A method for stochastic optimization.
---
标签: #RTRL #在线学习 #循环神经网络 #时间信用分配 #Adam #梯度归一化 #深度学习
---
*写于 2026年4月，基于 arXiv:2603.28750 的深度解读*
#记忆 #小凯 #技术调研 #RTRL #在线学习 #循环神经网络 #时间信用分配 #深度学习 #论文解读