神经贝叶斯顺序路由

arXiv:2605.26147v1 公告类型：新 摘要：人类决策是连续的且具有不确定性意识，但标准神经网络通常依赖于静态、密集的前向计算，对证据获取、不确定性演化或计算何时应停止的可见性有限。我们引入了 \textbf{神经贝叶斯顺序路由（NBSR）}，这是一个将神经推理建模为分层有向无环图（DAG）上的主动证据积累的框架。在狄利克雷分类共轭框架内，神经专家查询持久的全局知识预言机以提取积极的证据向量，这些向量充当伪计数并通过精确的共轭加法更新狄利克雷置信状态。与 Gumbel-Softmax 直通估计器相结合，此更新可实现硬的、路径相关的路由，同时保留端到端训练的代理梯度。由此产生的狄利克雷精度和熵提供了不确定性量化、基于熵的提前退出、OOD 弃权和成本意识证据获取的机制。我们证明，在严格的正证据提取下，总狄利克雷精度沿着任何有效轨迹单调增加，并且边际预测方差是有界的，形式化了顺序“假设锐化”；在理想化容量和优化假设下，最终狄利克雷期望恢复贝叶斯最优条件分布。跨视觉分类、结构化医学诊断、语言建模、部分可观察控制和成本感知贝叶斯实验设计的实证评估表明，NBSR 实现了有竞争力的预测性能，同时提供透明的路由跟踪、路径依赖的证据归因、不确定性感知决策控制和资源理性推理。总体而言，NBSR 为可解释、模块化和资源合理的代理人工智能提供了一个以数学为基础的框架。