C-voting：基于置信度的无显式能量函数测试时投票
机器学习
2026-04-16 v1 人工智能
摘要
具有潜在循环处理的神经网络模型，其中相同层被递归地应用于潜态状态，因而受到关注，作为执行推理任务的有前景模型。此类模型的一个优势是它们能够在测试阶段实现规模化，即模型无需额外训练即可提升其性能。诸如层次推理模型（HRM）和人工库尔摩塔振荡神经元（AKOrN）等模型可以通过增加递归步骤来实现更深入的推理，从而能够完成包括数独、迷宫求解和AGI基准测试在内的具有挑战性的任务。本文介绍基于置信度的投票（C-voting），这是一种针对具有多个潜在候选轨迹的循环模型的测试时规模化策略。通过使用随机变量初始化多个候选者来初始化潜态状态，C-voting选择平均预测的top-1概率最大的一个，反映该模型的置信度。此外，它在数独-hard上比特定于具有显式能量函数的能量基于投票策略提高了4.9%的准确率。C-voting的一个关键优势是其适用性：它可以应用于无需显式能量函数的循环模型。最后，我们引入了一个名为ItrSA++的简单注意力式循环模型，使用随机化的初始值，演示在结合C-voting时，在数独-extreme（95.2% vs. 55.0%）和迷宫（78.6% vs. 74.5%）任务中 outperform HRM。
引用
@article{arxiv.2604.13521,
title = {C-voting: Confidence-Based Test-Time Voting without Explicit Energy Functions},
author = {Kenji Kubo and Shunsuke Kamiya and Masanori Koyama and Kohei Hayashi and Yusuke Iwasawa and Yutaka Matsuo},
journal= {arXiv preprint arXiv:2604.13521},
year = {2026}
}