2026 年 9 月 21 日，一篇题为《Stable Unsupervised Continual Chunking with Sheaf SyncMap》的论文被提交至 arXiv，编号为 arXiv:2609.25143，作者为 Xueyuan Li 及另一位合作者。论文被归入机器学习（cs.LG）与人工智能（cs.AI）两个学科分类，全文包含 PDF、实验性 HTML 与 TeX 源码等访问形式，篇幅约 1.1 MB。
论文处理的是“无监督持续分块”这一基础性问题。该问题同时出现在机器学习与神经科学领域，其核心目标是：在按时间排列的序列中，识别出那些频繁共同出现的状态，并将它们归为同一个组块。难点并不只在于把组块划得准，还在于要让这些组块在时间推进、数据不断到来的过程中保持稳定——既要能反映新出现的结构，又不能因局部波动而让既有分块频繁瓦解。
针对这一矛盾，作者把注意力放在 Decentralized SyncMap 上。这是一种自组织系统，能够在没有监督信号的情况下逐步形成对序列结构的表征，但其分块动态容易受到局部不一致的影响而变得不稳定。论文的正则化思路来自层论（sheaf）视角：把系统中的局部信息不一致视为需要被约束的对象，通过层正则化抑制这些局部偏差，从而让整体分块动态更加平稳。
在具体实现上，作者设计了一种径向层结构（radial sheaf structure）。该结构并不笼统地惩罚所有偏差，而是聚焦于成对变量之间的径向运动，并让惩罚强度随距离变化，即对依赖距离的径向位移施加约束。这样做的目的是在不抹平系统自组织能力的前提下，限制那些会破坏组块稳定性的漂移。
实验部分采用 Continual General Chunking Problem（CGCP）图作为评测对象，并以归一化互信息（NMI）衡量分块质量，同时与多种 SyncMap 变体进行比较。结果显示，在带有两状态记忆设置的 18 个概率性 CGCP 图中，所提方法在 12 个图上取得了最高的 NMI；在动态记忆设置下，优势更为明显，18 个图中有 17 个图的结果位居第一。
论文还报告了序列适应实验。当输入分布发生偏移后，Sheaf SyncMap 依然能够维持较高的 NMI，这意味着它可以在保留既有知识的同时接纳新知识。作者特别指出，这一表现说明该方法能够适应新信息，并规避了神经网络等现代机器学习系统中常见的负迁移现象，即学习新任务时损害旧任务性能的问题。该工作因此把层论工具与自组织持续学习结合起来，为稳定、无监督的持续分块提供了一个可评测、可比较的技术方向。