SGEMAS：一种自生长短暂多代理系统，通过信息熵稳态实现无监督在线异常检测
神经与进化计算
2025-12-18 v1 机器学习
多智能体系统
摘要
当前的深度学习方法在生理信号监测中存在拓扑静态和恒定能耗的问题。我们引入了 SGEMAS（Self-Growing Ephemeral Multi-Agent System），一种受生物启发的架构，将智能作为动态热力学过程来对待。通过将结构可塑性机制（代理人的出生与死亡）耦合到变分自由能目标中，该系统自然演化以极端稀疏性最小化预测误差。在 MIT-BIH 心律数据库上的消融研究表明，向代理动力学中添加多尺度不稳定性指数显著提高了性能。在一个具有挑战性的跨患者、零样本设置下，最终的 SGEMAS v3.3 模型实现了平均 AUC 为 0.570 ± 0.070，超越了其更简单变体和标准自编码器基线。这一结果验证了基于物理的、受能约束的模型可以实现稳健的无监督异常检测，为高效的生物医学 AI 指明了有前景的方向。
引用
@article{arxiv.2512.14708,
title = {SGEMAS: A Self-Growing Ephemeral Multi-Agent System for Unsupervised Online Anomaly Detection via Entropic Homeostasis},
author = {Mustapha Hamdi},
journal= {arXiv preprint arXiv:2512.14708},
year = {2025}
}