认知压缩：高风险 AI 中的刻意忽略
机器学习
2026-03-27 v1
摘要
基础模型在稳定环境中表现出色，但在可靠性至关重要的领域常常失败：医疗、金融和政策。这种 Fidelity 矛盾不仅是数据问题，更是结构性问题。在随时间变化的领域中，额外的模型容量往往放大噪声而非捕捉信号。我们提出认知压缩（Epistemic Compression）原理：鲁棒性源于匹配模型复杂度与数据保质期，而非参数扩张。不同于经典正则化后置惩罚权重，认知压缩通过架构实现简约性：模型结构本身被设计为通过使表示超出数据证据的方差在架构上昂贵来减少过拟合。我们通过一个 Regime Index 将其操作化，将 Unstable（数据稀缺、不稳定）与 Stable（不变、数据丰富）两类情境区分开来。在 15 个高风险领域的探索性综合中，该指数在 86.7%（13/15）案例中与实证优势建模策略一致。高风险 AI 需要从为其本身扩张转向原则性简约。
引用
@article{arxiv.2603.25033,
title = {Epistemic Compression: The Case for Deliberate Ignorance in High-Stakes AI},
author = {Steffen Lukas},
journal= {arXiv preprint arXiv:2603.25033},
year = {2026}
}
备注
28 pages, 6 figures