基于向量符号架构的几何先验用于通用世界模型
机器学习
2026-02-26 v1
摘要
人工智能与神经科学的关键挑战之一是理解神经系统如何学习捕捉世界基本动力学的表示。大多数世界模型使用非结构化神经网络表示转换函数，限制了可解释性、样本效率以及对未见状态或动作组合的泛化能力。我们以向量符号架构 (VSA) 原理为几何先验构建通用世界模型。该方法利用可学习的 Fourier 全息减少表示 (FHRR) 编码器将状态和动作映射到具有学习群结构的高维复向量空间，并通过元素级复数乘法建模转换。我们形式化该框架的群论基础，展示通过训练结构化表示实现近似不变性，可直接在潜空间内实现强大的多步组合以及各类实验的泛化性能。在一个离散网格世界环境中，我们的模型实现了 87.5% 的零样本准确率以应对未见状态-动作对，获得了在 20 步时序预测中的 53.6% 更高准确率，并相对于 MLP 基线实现了 4 倍的噪声鲁棒性。这些结果凸显了训练潜在群结构可产生通用、数据高效且可解释的世界模型，为结构化模型通向现实世界规划与推理提供了原则路径。
关键词
引用
@article{arxiv.2602.21467,
title = {Geometric Priors for Generalizable World Models via Vector Symbolic Architecture},
author = {William Youngwoo Chung and Calvin Yeung and Hansen Jin Lillemark and Zhuowen Zou and Xiangjian Liu and Mohsen Imani},
journal= {arXiv preprint arXiv:2602.21467},
year = {2026}
}
备注
9 pages, accepted to Neurips 2025 Workshop Symmetry and Geometry in Neural Representations