储备计算机中的混淆动力学：用未训练的吸引子填补空白
动力系统
2025-08-05 v3 人工智能
机器学习
摘要
人工智能近年来因人工神经网络（ANNs）设计和训练创新而取得了显著进展。尽管如此，我们仍对基础层次的ANNs如何学习、未能学习以及在无误意欺骗的情况下生成错误信息（现象称为‘混淆’）理解相对有限。为提供一些基础性见解，本文分析了混淆在储备计算机（RC）中的发生方式：RC是一种ANN形式的动力系统。RC特别适合研究，因为它们以一种明确的方式进行混淆：当RC被训练重建给定吸引子的动力学时，有时会构造出RC未训练的吸引子（即UA）。本文阐明了UA在重建失败中的作用以及在建模转换吸引子之间重建的影响。基于我们的研究结果，我们得出结论，UA是受限状态空间中学习系统的内在特征，而这种混淆形式可能存在于RC之外的系统中。
引用
@article{arxiv.2505.04792,
title = {Confabulation dynamics in a reservoir computer: Filling in the gaps with untrained attractors},
author = {Jack O'Hagan and Andrew Keane and Andrew Flynn},
journal= {arXiv preprint arXiv:2505.04792},
year = {2025}
}