有界记录中因果功能性双访问记忆与受控组合名称迁移能力的实验验证

《Machine Learning and Knowledge Extraction》：Learning Persistent Referential Identity for Two-Hop Retrieval in Event-Stream Models

　　我们在有界的、无转录记录的记录中学习兼容的目标视图与所有者视图。结构化的源/类型/版本寻址选择第一个关系；权威的、请求属性过滤将普通候选项减少至平均3.28个。学习匹配选择第二个记录并检索其值。一个2435万参数的多任务模型的三个随机种子在共享密封确认行上达到1.0000的一跳、身份及两跳准确率。关系和值的擦除导致准确率崩溃；反事实替换会重定向答案。一个单独预注册的扩展在训练、开发和密封确认之间保留不相交的组合名称，同时保持分词一致。在512次无关写入后，在16或32个候选项下，挑战身份和两跳准确率为0.9990–1.0000；普通保留名称的两跳准确率为0.9328–0.9567。仅使用普通数据进行训练也能解决原始命名分布，因此在此情境下不需要显式的挑战示例。切断直接写入者的信用会降低挑战身份识别。完整重放成功，而最近32个事件的重放则失败。早期的受保护绑定在两跳检索中失败；通用递归模型在其测试的多任务环境中失败，但仅语义的GRU获得了更短延迟的记忆。单独零样本的名称/分词转移仍然不成功。这些结果确立了因果功能性的两次访问记忆以及受控的组合名称迁移能力，而非无限制的语言理解或一般推理能力。其他若干模型族仍接近随机水平。