CANOPY：使用小型状态空间归约器的闭式神经符号组合

基于摘要分析。CANOPY 研究将树求值问题编码为线性 token 流时的组合推理，核心贡献是在推理阶段分离结构解析、局部运算与符号组合，而不是让端到端序列模型同时学习树结构和运算规则。 方法由解析器提供树结构，小型状态空间归约器将每次原子算子调用近似为答案上的概率质量函数（PMF），固定的闭式组合器再沿树向上传播这些分布。归约器与组合器仅通过 PMF 交互，因此可独立替换或重新训练。摘要未说明解析器的训练方式、结构获取条件及闭式组合的具体公式，这些是理解系统整体成本与比较前提时需核对的事项。 作者报告，参数量低于 1M 的归约器在长序列 LRA-ListOps 上取得 0.9535，高于文中所称的树归纳方法表现区间，也高于参数量最多为其 90 倍的端到端基线；在 DeepMind Mathematics（DM Math）加法链任务上取得 0.989，对照为约 0.94 的 30M 参数参考模型。摘要未明确这些数值的指标名称、数据划分及完整评估协议，不能据此跨任务直接比较。 归约器实例 Mambino 包含内部预测分支，将自身单步预测误差反馈到递推过程。作者按算子调用是否在训练中出现划分评估：移除该分支后，已见调用的表现下降不超过 2.8 个百分点；未见乘法、加法链和单次加法分别下降 25.0、11.3 和 5.1 个百分点。相反，在采用饱和算子的 LRA-ListOps 上，移除分支使组合表现提升 4.45 个百分点。作者据此认为，该分支的价值取决于归约器是否需要实际计算，而非记忆已有调用；这一解释的统计支持尚未验证。 复现需核对解析器、训练与测试算子调用的划分定义、PMF 表示及组合规则、预测误差反馈实现和基线输入条件。全文、完整消融与统计信息尚未取得。原研究对象是符号树求值，摘要未提供 EEG/BCI 实验或明确的神经信号机制对应，不宜将其改写为已验证的 BCI 方法。