arXiv · cs.AI· Christopher J. Hazard, Michael Resnick, Jacob Beel, Jack Xia, Cade Mack, Dominic Glennie, Matthew Fulp, David Maze, Andrew Bassett, Martin Koistinen·· 5 小时前
信息力学理论：学习即测量不确定性
A Theory of the Mechanics of Information: Generalization Through Measurement of Uncertainty (Learning is Measuring)
arXiv:2510.22809v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Christopher J. Hazard, Michael Resnick, Jacob Beel, Jack Xia, Cade Mack, Dominic Glennie, Matthew Fulp, David Maze, Andrew Bassett, Martin Koistinen
研究任务与主要进展
一篇 arXiv cs.AI 论文提出“无模型”的基于实例学习框架，用 surprisal（信息论不确定性）直接分析原始数据并进行推断，省去分布建模、降低偏差，支持直接编辑和删除训练数据等高效更新。作者声称该方法可跨生成推断、因果发现、异常检测、时间序列预测等任务泛化，在异常检测和部分监督任务上达到先进水平。此说法基于论文摘要，全文尚未核验。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org