不变学习动力学的诊断基准：Eidos 架构的经验验证
计算机视觉与模式识别
2026-02-17 v1 机器学习
摘要
我们提出了 PolyShapes-Ideal（PSI）数据集，是一个由诊断基准组成的套件，旨在隔离拓扑不变性——即在仿射变换下保持结构同一性的能力——从主流视觉基准中占主导地位的纹理相关性。通过三个诊断探针（多边形分类受噪声影响、从 MNIST 实现零样本字体迁移、几何坍缩映射受逐渐变形的影响），我们证明 Eidos 架构在 PSI 上实现了 >99% 的准确率，并在 30 个未见字体上实现了 81.67% 的零样本迁移，无需预训练。这些结果验证了“形式优先”假设：在受结构约束的体系结构中实现 generalize 的能力是几何完整性的属性，而非统计规模的属性。
引用
@article{arxiv.2602.13322,
title = {Diagnostic Benchmarks for Invariant Learning Dynamics: Empirical Validation of the Eidos Architecture},
author = {Datorien L. Anderson},
journal= {arXiv preprint arXiv:2602.13322},
year = {2026}
}
备注
8 pages, 3 figures and extra material to help can be found: https://zenodo.org/records/18529180