学习访问计算：可访问性可塑性作为自适应智能的原则

本研究由Zhaowen Fan撰写，于2026年7月23日提交至arXiv（论文编号2607.22748），并在2026年7月23日09:48:11 UTC发布。该论文共22页，包含6幅图和2张表格，涉及机器学习（cs.LG）、人工智能（cs.AI）以及神经与进化计算（cs.NE）等领域。论文的核心贡献是提出了“可访问性可塑性”（Accessibility Plasticity）这一自适应计算原则，明确区分了计算能力（computational capability）和计算可访问性（computational accessibility）作为两个独立的适应变量。当前主流的神经网络适应方式通常是对预定义计算结构中的参数进行修正，尽管近期出现了模块化、条件计算和参数高效适应等方法，但它们并未将可访问性视为一个独立的可调维度。本文主张，系统不仅可以改变计算的存在与否，还可以重新组织现有计算之间的交互关系和参与方式，从而实现适应。研究者通过基于关系的操作实现对可访问性可塑性进行了形式化，并建立了一个“重用优先”的适应层次结构：在该层级中，可访问性修改优先于成本更高的能力修改和结构修改。在序列学习任务上的概念验证实验表明，可访问性适应能够在保持相当任务性能的前提下减少能力修改量。这一结果提示可访问性是一个独立的适应维度，为未来能够根据环境变化动态演化计算关系的神经网络系统奠定了基础。论文还讨论了该原则在持续学习、迁移学习等领域的潜在应用，认为在资源受限或动态环境下，优先调整计算可访问性比直接修改计算本身更具优势。未来的研究方向包括在大规模网络和实际应用中的扩展性验证。该论文得到了arXiv.org的数据支持，并提供了相关的参考文献和引用工具，如Bibliographic Explorer、Connected Papers等，便于进一步研究。