演化感受架构：基于生物学的损伤规避学习模型
机器学习
2026-02-05 v1
摘要
我们提出 Afferent Learning 框架，作为损伤規避學習的自适应內部風險信號的計算感受痕跡（Computational Afferent Traces, CATs）。该框架受生物學系統啟發，使用兩層架構：演化優化（外迴路）發現能夠啟動有效策略學習的感受感知架構，而強化學習（內迴路）則使用這些信號進行損傷規避策略訓練。這將感受感知形式化為高效學習的歸納偏置：根據能否啟動有效學習來選擇架構，而非直接最小化損傷。我們在光滑性和有界噪聲假設下提供了理論收斂保證。我們於生物力學數字孪生體在長時間尺度（多年生命週期）上運行的挑戰性情境中展示了此方法的一般化應用。在此情境中，我們發現基於 CAT 的演化架構達到了顯著的效率提升和更好的年齡健壯性，使策略能夠呈現年齡依賴的行為適應（23% 減少高風險行動）。消融研究驗證了 CAT 信號、演化和預測差異作為關鍵因素。我們釋出代碼與數據以確保可重現性。
引用
@article{arxiv.2602.04807,
title = {Evolving Afferent Architectures: Biologically-inspired Models for Damage-Avoidance Learning},
author = {Wolfgang Maass and Sabine Janzen and Prajvi Saxena and Sach Mukherjee},
journal= {arXiv preprint arXiv:2602.04807},
year = {2026}
}
备注
16 pages, 6 figures