| name | fixed-point-compositionality-low-rank-gluing |
| description | 固定点组合性低秩胶合理论框架。研究结构模块化如何支持抑制主导阈值线性网络的功能组合性，引入低秩胶合规则实现不动点的组合性。 |
| version | 1.0.0 |
| author | Juliana Londono Alvarez |
| arxiv_id | 2606.07336 |
| submission_date | 2026-06-05T00:00:00.000Z |
| categories | ["neuroscience","computational-neuroscience","neural-dynamics","network-theory"] |
| tags | ["fixed-point","compositionality","low-rank-gluing","threshold-linear-network","inhibition-dominated","network-modularity","gCTLN","attractor-dynamics"] |
| activation_keywords | ["固定点组合性","低秩胶合","阈值线性网络","抑制主导网络","网络模块化","组合性动力学","attractor composition","fixed point decomposition","low-rank coupling"] |
| setup_needed | false |
Fixed Point Compositionality via Low-Rank Gluing Rules
概述
本技能提取自 arXiv:2606.07336 (2026-06-05)，论文标题 "Fixed point compositionality via low-rank gluing rules in inhibition-dominated threshold-linear networks"。该论文首次数学严谨地证明了结构模块化如何支持抑制主导阈值线性网络的功能组合性。
核心问题
大脑如何在相对稳定的结构和有限资源下产生高度灵活和复杂的行为？组合性(compositionality)是关键机制，允许大脑将复杂任务分解为简单、可复用的原语。虽然网络模块化常被联系到组合性，但在非线性网络中，缺乏对这一关系的严谨数学刻画。
关键创新
1. 低秩胶合规则 (Low-Rank Gluing Rules)
引入一类新颖的模块化网络组装方法：
- 定义：组件子网络通过特定低秩耦合连接
- 关键特性：子网络内部连接可以是任意结构
- 数学框架：全局不动点被约束为局部模块不动点的组合
2. Rank-1 胶合的完全刻画
对更结构化的 Rank-1 胶合子类提供完整刻画：
- 确定哪些局部不动点组合产生全局不动点
- 提供可预测的组合规则
- 建立组合性与数学结构的精确关系
3. gCTLNs 的推广
将组合阈值线性网络 (CTLNs) 的不动点分解规则推广到广义 CTLNs (gCTLNs)：
- CTLNs：固定点分解依赖于组合结构
- gCTLNs：更灵活的连接模式，分解规则仍然有效
- 证明结构规则的鲁棒性超过最初假设
4. 组合式动力学工程
低秩胶合规则提供数学可操作的组合动力学构建方法：
- 组合式不动点：简单模块组合成复杂全局状态
- 组合式极限环：周期性动力学可组合理解
- 组合式大型吸引子库：可从简单组件动机预测
数学框架
Threshold-Linear Networks (TLNs)
抑制主导阈值线性网络动力学：
dx_i/dt = [-x_i + sum_j W_ij * (x_j - T_j)^+]_+
其中：
x_i: 节点 i 的活动W_ij: 连接权重（抑制主导）T_j: 阈值[·]_+: ReLU 激活函数
Low-Rank Gluing 定义
两个子网络 N₁ 和 N₂ 通过低秩耦合：
W_gluing = U * V^T
其中 U 和 V 是低秩矩阵，连接模块间的节点。
Fixed Point Compositionality 定理
定理：如果 N₁ 和 N₂ 分别有不动点 x₁* 和 x₂*，则全局网络的某些不动点可表示为：
x* = (α₁ x₁*, α₂ x₂*)
其中 α₁, α₂ 是组合系数，受 Rank-1 胶合规则约束。
应用场景
1. 神经网络设计
- 构建具有组合式功能的神经网络
- 设计可预测动力学的人工网络
- 组合简单模块实现复杂任务
2. 神经科学建模
- 理解大脑模块化的功能优势
- 分析皮质网络的组合性动力学
- 研究抑制主导网络的信息处理
3. 动力系统分析
- 分解复杂吸引子结构
- 预测网络动力学状态
- 分析组合性稳定性
4. 机器学习架构
- 设计组合式学习系统
- 构建模块化神经网络
- 实现可解释的动力学结构
方法论步骤
