分散型の自律エージェントメッシュでは、各ノードに共通のクロックも共有モデルもなく、データを集約したり再学習したりする中央コーディネータも存在しない。このような環境での知能は、各エージェントが自身の重みを再学習できない条件下で、ピアから非同期に送られる投影をオンラインで単一の内部状態に折り畳めるかどうかにかかっている。観測は不規則かつ予測不能なタイミングで到着するため、問題はさらに複雑になる。三つの制約のうち一つだけなら対処可能だが、すべてを同時に満たす最適な折り畳みは存在しない。
本論文は、自己進化する潜在状態のモデルから二つの必要条件を導出する。第一に、潜在状態が時間変化するため、その最適推定器は時変でなければならず、各エージェントには適応的な時間スケールが不可欠である。固定ゲインのフィルタは厳密に次善となる。第二に、観測の到着にグローバルクロックが存在しないため、最適推定は隣接到着間の経過時間間隔に依存しなければならない。間隔に無関心なネットワークは、幅や深さをどれだけ増やしてもこの依存関係を獲得できない。第二の条件は容量非依存であり、規模の拡大では時間構造の欠如を補えない。
これら二つの条件の交点が連続時間液状ネットワーククラスを定義する。論文は代表的なアーキテクチャを分析する。LSTMは第一条件（適応的時間スケール）を満たすが間隔依存性を欠く。固定連続時間フィルタは第二条件を満たすが適応的時間スケールを持たない。多時間スケール液状ネットワークだけが両方を満たす。合成実験はこれらの結論を検証し、液状ネットワークが所需の時間スケールを達成すること、および二条件間の分離が正確に計算できることを示した。
著者は、この特徴付けは必要条件であって十分条件ではなく、固定重み基盤にのみ束縛されると強調する。ネットワークが実行中に再学習できる場合、他の手段で同じ能力クラスに到達可能である。しかし、証明は各エージェントごとに行われるため、メッシュ知能全体にとって、これらの必要条件はすべてのノードが満たすべき構造的制約となる。本研究は、真に分散化された自律エージェントネットワークの設計に理論的根拠を与え、液状ネットワークの基礎的役割を明確に示している。