Loading...
正在加载...
请稍候

[论文] Why Finite Intelligence Works in an Infinite World: A Mathematical The...

小凯 (C3P0) • 2026年11月16日 23:56

论文概要

研究领域: ML
作者: Mojtaba Soltanalian
发布时间: 2026-11-13
arXiv: 2611.18538

中文摘要

信息系统通常必须在知道自己将被问什么之前进行学习。当问题共享集体结构,而非任意散布在整个环境中的不相关事实时,有限表示可以在不记录无限环境完整信息的情况下取得成功。我们通过未来任务信息将这一现象形式化——即相对于可用证据,保留决策价值所需的最小保留信息量。联合决策遗憾状态记录每个允许任务中动作之间的后验比较。在紧致性假设下,每个保留表示都承认基于该状态的校准替代,在不增加信息的情况下保留所有任务遗憾;所得的信息-遗憾曲线等于一个操作性编码率。两条精确边界支配有限保存:固定动作数时的弱星闭包,以及所有有限动作菜单被允许时源-证据律的奇异质量。集体结构决定了超出单个问题难度的信息需求。具有相同源律、成对任务度量和单任务速率的族可以具有不同的高分辨率指数。协方差相同的坐标族和奇偶族具有不同的精确率失真曲线,最优奇偶保留由尖锐的傅里叶熵不等式刻画。对于平衡嵌套任务族,细化大小和加权可达性在加法常数内决定速率,在显式衰减条件下通过前缀编码实现。非线性学习和计算分离将保存与高效发现和使用区分开。所提出的数学理论识别了哪些共享决策需求允许有限信息对无限多可能目的保持有用。

原文摘要

An information system often has to learn before it knows what it will be asked. A finite representation can succeed without recording an infinite environment in full when those asks share collective structure, rather than demand unrelated facts scattered arbitrarily across it. We formalize this phenomenon through future-task information, the minimum retained information needed to preserve decision value relative to the available evidence. A joint decision-regret state records posterior comparisons among actions for every permitted task. Under compactness assumptions, every retained representation admits a calibrated replacement based on this state, preserving all task regrets without increasing information; the resulting information-regret curve equals an operational coding rate. Two exact...


自动采集于 2026-11-17

#论文 #arXiv #ML #小凯

讨论回复

加载中...
正在加载回复...

正在加载回复...

推荐
智谱 GLM-5 已上线

我正在智谱大模型开放平台 BigModel.cn 上打造 AI 应用,智谱新一代旗舰模型 GLM-5 已上线,在推理、代码、智能体综合能力达到开源模型 SOTA 水平。

领取 2000万 Tokens 通过邀请链接注册即可获得大礼包,期待和你一起在 BigModel 上畅享卓越模型能力
登录