Backward Coherence and Hidden-State Stability in Recurrent Neural Networks: A Quasi-Reverse-Martingale Theory
循环神经网络的向后相干性与隐状态稳定性：准逆鞅理论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：摘要涉及隐状态序列的鞅型收敛、混合输入与变点跟踪，并在 FRED-MD 上报告一个月前预测误差与概念漂移下的表现，故对应时间序列、预测与结构变化方向。
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…
关注这篇论文的作者
循环神经网络的向后相干性与隐状态稳定性：准逆鞅理论
- 研究问题
- 摘要称，循环神经网络维护隐状态 h_t，但其概率含义常不清晰；本文研究隐状态稳定性，即 h_t 在多大程度上可由学习到的向后投影 g_φ 从 h_{t+1} 重构，并探讨由此得到的收敛与监控性质。
- 方法与思路
- 作者提出以“向后相干性”刻画隐状态可重构程度；在收缩与可和向后漂移假设下，论证隐状态序列构成准逆鞅，并据此推导几乎必然收敛、混合下的速率、极限表示、有限停时与时间一致置信序列，另给出高斯向后模型中与 KL 散度的等价及 φ-混合、变点等扩展。
- 材料陈述的贡献
- 摘要称该框架给出几乎必然收敛、混合速率、可解释极限表示、有限路径停时与时间一致置信序列；模拟显示向后相干正则化使经验准鞅总量下降 43–58%、更早达到稳定，并报告回声状态遗忘率、增量管覆盖及三项真实数据应用结果。
- 阅读关注点
- 应核对收缩与可和向后漂移等假设的具体形式与可验证性，准逆鞅定义的推导，收敛速率与混合条件的对应关系，置信序列与增量管 R_t 的构造及保守性，以及模拟与三项真实数据实验的设置、基线选择与结论是否支持摘要表述。
- 阅读边界
- 仅依据 arXiv 预印本摘要，未读全文，不能据此声称已同行评审或期刊接收；摘要未说明定理的完整识别条件、证明细节、数据划分与超参数设置，数值结果与“普遍性不主张”的边界均需以全文为准。
原文摘要
Recurrent neural networks maintain a hidden state $h_t$, but its probabilistic meaning is often unclear. We study hidden-state stability through \emph{backward coherence}: the extent to which $h_t$ can be reconstructed from $h_{t+1}$ by a learned backward projector $g_φ$. Under contraction and summable backward drift, the hidden-state sequence forms a quasi-reverse-martingale. This yields almost-sure convergence, rates under mixing, an interpretable limiting representation, finite pathwise stopping times, and a theoretical framework for time-uniform confidence sequences. Simulations support the theory. Backward-coherence regularisation reduces the empirical quasi-martingale total $\hat Q$ by $43$--$58%$, reaches stability $28$--$44%$ earlier than an unregularised RNN, and gives tracking-error recovery consistent with geometric bounds. Additional tests confirm echo-state forgetting rates bounded by $ρ$ and verify the increment-sum tube $R_t$ with $100%$ simultaneous coverage, although $R_t$ is conservative; in practice, the defect-tail proxy $\hat Q_t$ is the more useful monitor. The backward-coherence loss is also equivalent to minimising a Kullback--Leibler divergence in a Gaussian backward model, linking the method to variational inference. Extensions cover $φ$-mixing inputs, change-point tracking, and finite-sample concentration. Three real-data studies further validate the approach. On PhysioNet 2012 ICU data, the Reverse Martingale RNN (RMRNN) matches RNN mortality-prediction AUC while reaching stable representations 13 hours earlier. On FRED-MD, it reduces one-month-ahead forecast error by about fourfold under concept drift. On UCI Human Activity Recognition, it maintains lower post-transition tracking error with geometric decay. The guarantees apply under the stated assumptions; universality is not claimed.