Memori reservoir Chern–Simons: dinamika konektivitas mandiri dan transfer densitas
Artikel ini membahas bagaimana reservoir menyimpan riwayat sinyal masukan secara bersamaan dalam distribusi densitas dan derajat kebebasan geometris. Perbandingan empat mekanisme menunjukkan bahwa arus menciptakan komponen keterhubungan tersendiri yang mengubah respons densitas berikutnya, sementara penggunaan semua fitur yang terukur memberikan sedikit peningkatan dalam dekode urutan pulsa.

Kepadatan dan konektivitas sebagai dua kanal memori
Reservoir mengodekan riwayat masukan secara bersama dalam kepadatan dan derajat kebebasan geometris. Arus kekal menghubungkan kepadatan kontinu pada manifold internal dengan koneksi Chern–Simons (CS) yang berevolusi secara independen.

- Model ini mempertimbangkan kepadatan kontinu pada manifold internal.
- Derajat kebebasan geometris turut mengodekan riwayat.
- Arus kekal menghubungkan kepadatan dan koneksi CS.
- Koneksi CS berevolusi secara independen.
Memori reservoir mencakup keadaan gabungan kepadatan dan koneksi. Respons skalar tunggal tidak mencakup kanal ini.
Empat model pada satu manifold
Studi ini membandingkan empat model pada manifold internal yang sama. Model kontrol memisahkan kontribusi transportasi dan evolusi koneksi yang independen.
| Model | Posisi dalam perbandingan |
|---|---|
| Transportasi resiprokal | Model transportasi pada manifold yang sama |
| Rekonstruksi transversal seketika | Kontrol dengan rekonstruksi seketika |
| Umpan balik nonlinear lokal | Kontrol dengan umpan balik lokal |
| Evolusi CS tergandeng | Evolusi koneksi yang independen |
Perbandingan ini bermakna jika menggunakan manifold internal yang sama dan model kontrol yang eksplisit. Jika tidak, kontribusi koneksi tidak dapat dipisahkan.
Reset komponen koneksi
Arus menghasilkan komponen koneksi yang eksak. Rekonstruksi transversal seketika dan penutupan lokal skalar tidak mereproduksi komponen ini. Mereset komponen tersebut dengan kepadatan dan curl hukum Gauss yang tetap mengubah respons kepadatan di masa mendatang. Efek ini berlaku dalam kerangka kalibrasi dan hukum drift yang dipilih. Efek kecil tetap bertahan saat penyempurnaan numerik dilakukan.
Kriteria pengujian memori mencakup reset komponen koneksi dengan kepadatan dan curl hukum Gauss yang tetap. Bertahannya efek saat penyempurnaan numerik dilakukan mengonfirmasi kriteria ini.
Di mana model-model cocok dan berbeda
Metrik memori skalar dan jejak kepadatan untuk urutan impuls pada keempat model serupa. Jejak sirkulasi dan longitudinal berbeda.
| Karakteristik | Hasil |
|---|---|
| Metrik memori skalar | Serupa pada keempat model |
| Jejak kepadatan untuk urutan impuls | Serupa pada keempat model |
| Jejak sirkulasi | Berbeda |
| Jejak longitudinal | Berbeda |
| Semua karakteristik yang diukur, dekode urutan impuls | Model CS: +6,5 ± 1,9 poin persentase dibandingkan kontrol dengan rekonstruksi transversal seketika; sebanding dengan umpan balik lokal; perbandingan berpasangan berdasarkan seed |
Kriteria evaluasi mencakup jejak sirkulasi dan longitudinal serta dekode berdasarkan semua karakteristik yang diukur. Metrik memori skalar saja tidak dapat membedakan model-model tersebut.
Latensi dan ketergantungan pada persiapan
Pada siklus pertama, model CS tergandeng memiliki latensi lebih rendah daripada model dengan rekonstruksi seketika dan umpan balik lokal. Pada siklus berikutnya, latensinya lebih tinggi. Ini menunjukkan ketergantungan pada persiapan.
Kriteria perbandingan mencakup latensi per siklus dan persiapan. Siklus pertama tidak memberikan gambaran lengkap.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
STAR: normalisasi adaptif konteks temporal dan graf layanan untuk manajemen insiden end-to-end
Framework STAR mempelajari representasi dari metrik, log, dan trace dengan menerapkan normalisasi yang dapat dilatih, yang memperhitungkan dinamika temporal multiskala dan struktur dependensi antarservice. Pada dua dataset dunia nyata, pendekatan ini secara konsisten meningkatkan kualitas deteksi anomali, pemeringkatan kegagalan, dan penelusuran akar penyebab dibandingkan metode baseline mutakhir.
10 November 2026
Verifikasi kandidat lebih mahal daripada generasinya: honeypot untuk melawan pencarian kerentanan berbasis LLM
Karya ini mengulas asimetri biaya dalam pencarian bug oleh agen: menghasilkan kandidat itu murah, sedangkan mengonfirmasinya melalui analisis keterjangkauan, eksekusi, dan PoC membutuhkan sebagian besar anggaran, sehingga verifikasi dapat dijadikan sasaran pertahanan tersendiri. RedHerring yang diusulkan—umpan yang disesuaikan dengan repositori dan dilengkapi sertifikat tertutup—mengurangi jumlah kerentanan nyata yang ditemukan sebesar 38,7–60,4% dengan biaya yang sama di 33 proyek OSS-Fuzz; bahkan setelah agen diperingatkan, penurunannya tetap mencapai 37,2%.
9 November 2026
Pemeriksaan halusinasi LLM melalui tampilan sumber SQL tanpa fine-tuning
Penelitian ini menguji apakah LLM dapat memanfaatkan keterampilan simbolik dasar—menyusun basis data SQL dari dokumen sumber—untuk melakukan grounding ke sumber tanpa supervisi dalam deteksi halusinasi. Pada RAGTruth dan DiaHalu, pipeline neuro-simbolik ini lebih akurat daripada prediksi langsung dan sebanding dengan metode mutakhir, tanpa memerlukan fine-tuning khusus domain.
9 November 2026