由标量不可约学习动力学驱动的内生性制度转换
机器学习
2026-05-07 v1
摘要
实现内生性制度转换是实现自主智能的关键挑战，然而现有机器学习框架中，这类转换通常是外部施加的。本文引入一种分类，将可表示为由标量目标驱动的梯度流的标量可约动力学，与无法归约为此形式的标量不可约动力学区分开来。虽然大多数现有机器学习系统都处于标量可约类别中，但我们展示，标量不可约动力学通过快速动力学变量与慢速结构适应之间的反馈，自然地实现内部生成的制度转换。通过一个最小动力学模型，我们说明了这一机制如何在无需外部调度的情况下产生持久的内生性制度转换。我们的结果表明，这是一种新的制度探索动力学范式，为构建其适应行为在内部组织而非外部指定的自主学习系统提供了可能之路。
引用
@article{arxiv.2605.04054,
title = {Endogenous Regime Switching Driven by Scalar-Irreducible Learning Dynamics},
author = {Sheng Ran},
journal= {arXiv preprint arXiv:2605.04054},
year = {2026}
}