arXiv cs.AI· Kim Phuc Tran·· 11 小时前AI 评分18
以人为中心的学习力学：受保护风险约束下的可观测熵控制
Human-Centered Learning Mechanics: Observable Entropy Control under Protected-Risk Constraints
AI 导读
研究提出在任务、风险与干预三类约束分别指定下进行熵调控学习的理论框架，指出熵减本身并非安全标准，可能不改变预测或伴随受保护群体风险上升。通过噪声校准的对数行列式泛函导出精确谱力公式，并给出可观测速度与预测零速度的度量分解；对多个受保护风险推导出指定子空间与范数预算内的精确极小极大可行性证书及锥投影公式。可复现数学检验与小规模真实数据实验同时暴露了可行干预与失效情形。
正文 · AI 翻译
摘要：熵减并非安全判据：它可能使预测保持不变，也可能伴随受保护群体风险上升。我们研究在分别指定的任务、风险与干预约束下的熵调控学习。一个经噪声校准的对数行列式泛函给出了精确的谱力公式，以及分解为可观测速度与预测零速度的度量分解。对于标量反馈，我们刻画了保持任务下降比例并满足熵率要求的系数的完整区间；将干预限制在可观测方向可能使该区间为空。对于多个受保护风险，我们推导出在指定子空间与范数预算内可行性的精确极小极大证书、针对不确定约束行的精确鲁棒扩展，以及保护后剩余熵减的锥投影公式。这些公式使用标准凸几何，但能识别出看似活跃的熵控制何时没有可容许的效果。屏障比较、有限步曲率与梯度误差裕度，以及新数据审计，为风险阈值提供了各自不同的条件保证。人类权威通过规范与发布策略进入；数学并不将压缩等同于对齐，也不证明人类福祉。一个记忆化反例将新输入信息与样本级信息区分开来，而一个带噪样本码假设支撑了一个条件泛化界。可复现的数学检验与一个小规模真实数据实验同时揭示了可行的干预与失败。由此得到的理论刻画了可容许的熵调控及其局限，而非断言普遍的准确性或安全性提升。
| 评论： | 投稿至 JMLR |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2605.22940 [cs.LG] |
| （或本版本的 arXiv:2605.22940v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2605.22940 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Kim Phuc Tran [查看邮箱]
[v1]
2026年5月21日 周四 18:16:39 UTC（5,168 KB）
[v2]
2026年10月16日 周五 09:24:08 UTC（95 KB）
来源：arXiv cs.AI · arxiv.org