푸앵카레와 벨만의 만남: 변화하는 환경에서의 수정 가능한 기억, 연산적 몫, 그리고 증거 기반 학습
Poincaré Meets Bellman: Revisable Memory, Operational Quotients, and Evidence-Supported Learning in Changing Environments
기억 공고화(memory consolidation)는 학습자가 현재 수행할 수 있는 작업과 향후 구현 가능한 상태로 남는 변화를 모두 결정합니다. 본 연구에서는 안정성-증거-수정(SER; stability-evidence-revision) 프레임워크 하에서 연산적 상태 추상화와 최적 제어의 유한 모델(model) 종합을 개발합니다. '푸앵카레와 벨만의 만남'이라는 명칭은 두 가지 상호보완적인 역할을 나타냅니다. 정성적 동역학은 재사용 가능한 행동-반응 구조를 식별하고, 동적 계획법(dynamic programming)은 획득, 유지, 재사용, 병합 및 망각에 대한 비용을 평가합니다. 재귀성(recurrence)은 미래 수요의 시점과 가치를 통해 별도로 개입합니다. 저자들은 능동적인 몫 병합(quotient merging)과 역사적 정보 소거를 구별하고, 무오차 함수 코딩(zero-error functional coding) 및 인과적 이동(causal migration)을 통한 정확한 수정을 규명하며, 은닉 상태와 배치된 완전 기억의 결합 법칙에 대한 벨만 재귀식을 도출합니다. 최초 복귀 모델은 명시적인 유지 규칙을 산출합니다. 조건부 결과는 인자 공유가 조합 열거를 방지하는 방법과 독립적인 정보성 관측이 식별 능력을 향상시키는 동시에 일부 무오차 증거 예산은 변경하지 않고 유지하는 방식을 보여줍니다. 유한 열거를 통해 코딩 및 유지 계산을 검증합니다. 이러한 종합은 보편적 재귀성, 제한된 메모리 기반의 개방형 학습, 또는 다루기 쉬운 전역 계획을 주장하지 않으면서도, 지정된 유한 모델에 대한 정확한 벤치마크를 제공합니다.