Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmindohne Datum · Q001107

Category-Native Solomonoff Approximation: From Algorithmic Geometry to Kernels, Operators, and Induction

pmc.ncbi.nlm.nih.gov · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht entwickelt eine eingeschränkte Fallstudie zu Solomonoff-Näherungen mit Kompressionsdistanzen, Metrik-Maß-Räumen, GW-Vergleich und Komplexitätsstrafen. Experimente zeigen, dass diese Verfahren unter bestimmten synthetischen Bedingungen Struktur finden können, aber Vorhersageleistung und Nutzen auf realen Daten nicht allgemein belegen; ihre Garantien hängen von starken Voraussetzungen zu Kandidaten, Markierungen, Validierung und Stabilität ab.

Mittel

Der Bericht schlägt einen Forschungsrahmen für berechenbare, an die jeweilige Zielkategorie angepasste Näherungen an Solomonoff-Induktion vor. Im ausgearbeiteten Zweig werden kompressorbasierte Distanzen und empirische oder Occam-gewichtete Massen zu Metrik-Maß-Räumen verbunden. Gromov–Wasserstein-Distanz vergleicht deren relationale Geometrie; MDL-Kosten bestrafen komplexe Kandidaten. Dieser Ansatz ist an Bedingungen gebunden: Empirische Kompressionsdistanzen sind keine exakten Kolmogorow-Distanzen, unmarkiertes GW kann Labels und damit Vorhersageinformation verwerfen, und gute Datengeometrie belegt nur unter zusätzlichen Treueannahmen eine passende Erklärungsgeometrie. Auch PSD-Kernelisierung garantiert keine Erhaltung der ursprünglichen Distanzen.

Die Experimente prüfen Mechanismen, nicht Solomonoff-Nähe oder allgemeine Überlegenheit. Nach kalibrierter Auswahl wurde synthetische Struktur in 34/40 Bestätigungskorpora erkannt; bei Rauschen fiel die Auswahl in 39/40 Fällen auf eine triviale Geometrie. Bei Automaten und einem balancierten SMS-Ausschnitt schnitt unmarkierte beziehungsweise markierte Blockauswahl schlecht ab; beim SMS-Test waren Zeichen-Gramme stärker. Die Ergebnisse gelten nur für die untersuchten Konstruktionen und Datenausschnitte. Orakelgarantien erfordern unter anderem beschränkte Kandidatenklassen, unabhängige Validierung und Stabilitätsannahmen. Allgemeine prädiktive Resultate und mehrere Stabilitätsfragen bleiben offen.

Ausführlich lesen

Der Bericht entwickelt einen Forschungsrahmen für praktisch berechenbare Näherungen an Solomonoff-Induktion. Er schlägt vor, jede Näherung an ihre Zielkategorie anzupassen und Zielobjekt, Vergleichsfunktion, Komplexitätsmaß und Induktionsobjekt getrennt festzulegen. Das ist ausdrücklich keine Universaltheorie und behauptet keine Gleichwertigkeit verschiedener Kategorien. Solomonoff-Induktion gewichtet berechenbare Erklärungen nach Beschreibungslänge, ist aber inkomputabel. Berechenbare Projektionen erhalten jeweils bestimmte Strukturen und verwerfen andere; geometrische Ähnlichkeit allein garantiert daher keine Vorhersagegüte.

Ausgearbeitet wird vor allem ein metrisch-maßtheoretischer Zweig: Beobachtungen werden mit empirischen, kompressor-basierten Distanzen und empirischen oder Occam-gewichteten Massen als Metrik-Maß-Räume modelliert. Kandidaten vergleicht der Ansatz über Gromov–Wasserstein-Distanz (GW), während MDL-Codekosten Komplexität bestrafen. Die empirische Kompressionsdistanz, etwa NCD, ist nur ein berechenbarer Ersatz für die inkomputierbare Kolmogorow-Distanz; sie kann asymmetrisch sein oder die Dreiecksungleichung verletzen. Die saubere Theorie setzt deshalb eine beschränkte Metrik voraus, gegebenenfalls nach Reparatur. GW vergleicht relationale Abstände unter Kopplungen und berücksichtigt Massen. Ohne Labels ist es gegenüber deren Umbenennung invariant und kann damit vorhersagerelevante Information verwerfen. Markierte oder prädiktive Verluste können ergänzen, doch sie helfen nur, wenn die Kandidatenfamilie die relevante Struktur überhaupt enthält.

Die Übertragung von Posterior-Geometrie auf Datendistanz erfordert eine Verhaltens-Treueannahme, Fehlerkontrolle und hinreichende Injektivität beziehungsweise Ko-Lipschitz-Kontrolle. Fehlen diese Bedingungen, können verschiedene Erklärungen zusammenfallen. Ebenso ist ein aus Distanz-zu-Landmark-Features gebauter positiv-semidefiniter D2KE-Kernel nicht automatisch distanzerhaltend; Kernelisierung kann Nachbarschaften verändern. Exponentielle Eigenwertabfälle wie 2⁻ˡ gelten nur unter speziellen Orthogonalitätsbedingungen. Die computable Modellmischung erhält eine kumulative Log-Loss-Schranke gegenüber enthaltenen, kodierten Modellen unter Kraft-summierbaren Codes und datunabhängiger Verzerrung; sie dominiert nicht die universelle Solomonoff-Semimaßnahme.

Die Experimente sind ausdrücklich Mechanismusprüfungen, keine Benchmarks und keine Validierung der Nähe zur wahren Solomonoff-Verteilung. In synthetischen Drei-Block-Daten wurde die gesetzte Struktur nach grundwahrheitsgestützter Kalibrierung in 34 von 40 Bestätigungskorpora erkannt; Rauschdaten ergaben in 39 von 40 Fällen die triviale Geometrie. Ohne Komplexitätsstrafe gewann ein Memorierer. Bei zellulären Automaten fiel unmarkiertes GW auf Zufallsniveau zurück, während rohe Kompressionsgeometrie und 3-NN besser abschnitten. Beim getesteten balancierten SMS-Ausschnitt mit 200 Nachrichten blieb selbst markierte Blockauswahl auf Zufallsniveau; ein Verfahren, das rohe Geometrie zuließ, erreichte 0,910 Genauigkeit, und Zeichen-Gramme mit SVM 0,947. Dieser Einzeltest erlaubt keine allgemeine Aussage über reale Daten.

Als weitere Grenzen nennt der Bericht nicht exakt zertifizierte, nichtkonvexe GW-Solver, teils unter ihrer Auflösungsgrenze liegende Selektionsunterschiede und eine fehlende unüberwachte Regel zur Kalibrierung der Latentstruktur-Strafe. Theoretische Orakel- und Risikogarantien gelten nur unter konkreten Einschränkungen wie endlichen oder vorab festgelegten Kandidatenklassen, unabhängiger Validierung und Stabilitätsannahmen; kleine GW-Distanz allein reicht nicht. Allgemeine prädiktive Orakelresultate für kontinuierliche Geometrieklassen sowie abhängige Stichproben aus einer einzelnen dynamischen Trajektorie bleiben offen. Insgesamt beansprucht die Arbeit eine ausgearbeitete Fallstudie, keinen allgemeinen kategorienübergreifenden Orakelsatz und keinen nachgewiesenen Vorteil auf realen Daten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Einordnung stützt sich allein auf den Bericht, der die Governance-Fragen nicht behandelt; deshalb liegen die Stufen deutlich unter Lunas Angaben, die für mehrere Teilfragen nicht belegt sind.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Kernthese eines kategorienativen Forschungsrahmens mit getrennten Ebenen aus Position, bewiesenem Kern und Forschungsprogramm
  • Die bewiesenen endlichen und abzählbaren Ergebnisse, etwa Existenz, GW-Stabilität, Orakelungleichung und Redundanzschranke für Mischungen
  • Der Raw-Geometrie-Schutz verhindert den Kollaps, erreicht aber nur die Werte der rohen D2KE-NCD-Baseline und übertrifft sie nicht
  • Auch das Post-hoc-Orakel über alle Blockkerne bleibt auf SMS bei Zufall, was der Bericht als Hinweis auf die Kandidatenfamilie statt auf fehlende Information deutet

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 41 %einzelne zitierbare Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen

    • SF-V4-T01 Falls ein Modell kein durchgehendes Selbst hat: Kann es überhaupt an den vorgesehenen Zielen und Werten ausgerichtet sein, oder nur seine Ausgaben? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 0 · kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 43 %umfangreiche Belege
    • JEV offen
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →