预测并非充分的记忆状态

基于摘要分析。本文研究精确累积学习与注意力中的记忆充分性：即使一个记忆状态能够复现所有当前预测，也可能丢失处理下一次观测所需的信息。核心贡献是刻画精确更新所需的状态维度及压缩限制，而非提出新的回归算法。 作者报告，对于光滑凸残差损失，在实值特征与标签不受限制、递归状态连续且维度固定的条件下，存在精确累积学习状态当且仅当损失为多项式。对普通、未加权观测，D 次损失恰好需要 r=binom(d+D,D)−1 个坐标；即使限定历史具有同一个当前预测器，后续更新仍可能恰好需要 r−d 个坐标。非多项式损失在这类当前预测相同的历史上具有无界的状态需求。摘要还指出，有界标量 logistic 示例即使固定任意有限阶导数信息，仍保留这一障碍。 在 ridge regression 中，作者将预测器之外的隐含证据归于设计矩阵，报告精确状态需要 dp+d(d+1)/2 个坐标，而预测器本身仅需 dp 个。对于条件良好、当前预测为零的一族问题，作者报告最优 B 比特压缩的平均单次更新误差量级为 d^−1·2^(−2B/s_d)，其中 s_d=d(d+1)/2；该结论也涵盖任意随机化编码。上述量级依赖这一特定问题族，不能直接视为实际模型的误差预测。论文另给出 kernel attention 的精确闭合分类，但摘要未展开具体条件。 这些结论针对精确学习与特定正则性条件，不宜直接外推到近似学习、有限精度或受限数据分布。证明细节、误差度量及实验协议尚未验证。本文未提供 EEG/BCI 验证；其对神经信号在线更新或递归记忆设计的适用性仍待评估，已有 EEG 相关工作尚未检索确认。