发育对称性丧失：基于自由能视角的脑类比不变性学习

我们提出Symmetry-Loss（对称性丧失），一种脑类比的算法原则，通过源自环境对称性的可微分约束来强制执行不变性和等价性。该框架将学习建模为对有效对称群的迭代细化，类似于皮层表征与世界结构对齐的发育过程。通过最小化结构性惊讶，即对对称性一致性的偏离，Symmetry-Loss operationalizes了类似于自由能的目标，用于表征学习。该表述桥接了预测编码和群论视角，展示了如何从对称性自组织中涌现出高效、稳定和可组合的表征。结果是一种通用的计算机制，将大脑中的发育学习与人工系统中的原则化表征学习相联系。