用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/hiyenwong/ai_collection --skill fixed-point-compositionality-low-rank-gluing命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
Graph-native Python reimplementation of the Information Dynamics of Music (IDyOM) model that represents predictive memories as explicit graph objects for musical expectation modeling and network analysis.
Physics-aware end-to-end deep reinforcement learning methodology for quadcopter control with actuator dynamics modeling.
Reinforced Dreamer methodology for asymmetric reinforcement learning using latent guidance to improve world model representations and behaviors in model-based RL.
基于 SOC 职业分类
正在显示 SKILL.md
| 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 |
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。
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。
引入一类新颖的模块化网络组装方法：
对更结构化的 Rank-1 胶合子类提供完整刻画：
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)：
低秩胶合规则提供数学可操作的组合动力学构建方法：
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。
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。
识别网络的模块结构：
设计或识别低秩耦合：
分析每个模块的局部不动点：
应用 Rank-1 胶合的组合规则：
验证全局动力学：
组合性不是现象学的概念，而是有数学约束的结构性质：
抑制主导网络特别适合组合性：
模块化的功能优势来自数学性质：
组合性结构规则的鲁棒性超过 CTLNs 的初始假设：
构建组合记忆系统：
构建组合决策：
预测组合动力学：
# 低秩胶合网络实现
import numpy as np
class LowRankGluingTLN:
def __init__(self, modules, coupling_rank=1):
self.modules = modules
self.coupling_rank = coupling_rank
self.build_gluing_coupling()
def build_gluing_coupling(self):
"""构建低秩胶合耦合"""
# U 和 V 低秩矩阵
self.U = np.random.randn(n_global, self.coupling_rank)
self.V = np.random.randn(n_global, self.coupling_rank)
self.W_gluing = self.U @ self.V.T
def compute_local_fixed_points(self):
"""计算局部模块不动点"""
for module in self.modules:
module.fixed_points = self.solve_module_FP(module)
def apply_gluing_rules(self):
"""应用胶合组合规则"""
# Rank-1 组合规则
combinations = self.rank1_gluing_rules()
return self.valid_combinations
def dynamics(self, x):
"""TLN动力学"""
dx = -x + self.W @ np.maximum(x - self.thresholds, 0)
return np.maximum(dx, 0)
低秩胶合规则为理解神经网络的组合性提供了严谨的数学框架。通过证明结构模块化如何约束功能组合性，该工作揭示了组合性的数学基础，为构建组合式神经网络和分析大脑动力学提供了可操作的方法。这一理论创新将组合性从现象学概念提升为可预测、可设计的数学性质。