The Bayesian Reflex: Online Learning as the Autonomic Nervous System of Modern and Future AI
贝叶斯反射：在线学习作为现代与未来人工智能的自主神经系统AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主体是通用人工智能在线学习综述，时间序列等仅为多项应用之一，不足以确定经济金融细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
贝叶斯反射：在线学习作为现代与未来人工智能的自主神经系统
- 研究问题
- 能否以信念维持、序贯更新和不确定性驱动行动为共同机制，统一解释动态环境中的贝叶斯在线学习及其多种应用？
- 方法与思路
- 作者以自主神经系统作类比，综述在线贝叶斯方法，讨论函数空间序贯推断、椭球分解采样，以及 Thompson sampling 等决策机制。
- 材料陈述的贡献
- 摘要提出贝叶斯反射的统一概念框架，并将计算与决策思想延伸至动态模型、深层架构、气候、级数和素数等多种问题。
- 阅读关注点
- 应区分综述、概念类比与新技术结果，核对后验采样的适用条件，以及涉及级数、黎曼猜想和素数候选的陈述究竟获得何种证明。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供数学论证，候选素数发现不能等同于素数认证或重大猜想的解决。
原文摘要
This chapter introduces the Bayesian reflex -- an analogy with the autonomic nervous system -- as a unifying framework for online learning in AI. Bayesian online algorithms automatically maintain equilibrium in dynamic environments via three mechanisms: belief maintenance through probabilistic representations, sequential updating via Bayes' theorem, and uncertainty-driven action balancing exploration and exploitation. We survey online Bayesian methods, highlighting two computational principles: the look-up table principle for sequential inference in function space, and the ellipsoidal decomposition framework for nearly exact i.i.d. sampling from arbitrary posteriors. These principles are generalized across dynamic emulation, nonparametric state-space models, circular time series, inverse regression for climate model evaluation, and deep architectures via Recursive Gaussian Processes. Decision-making is explored via Thompson sampling and restless bandits. We extend the framework to assess infinite series convergence (applied to climate dynamics and the Riemann Hypothesis), model prime number distributions leading to the discovery of 184 strong Mersenne prime candidates, detect stationarity, and characterize point processes. The Bayesian reflex provides a foundational infrastructure for adaptive AI that continuously learns in a complex world.