2026 年 9 月 21 日，一篇題為《Stable Unsupervised Continual Chunking with Sheaf SyncMap》的論文被提交至 arXiv，編號為 arXiv:2609.25143，作者為 Xueyuan Li 及另一位合作者。論文被歸入機器學習（cs.LG）與人工智慧（cs.AI）兩個學科分類，全文包含 PDF、實驗性 HTML 與 TeX 原始碼等訪問形式，篇幅約 1.1 MB。
論文處理的是“無監督持續分塊”這一基礎性問題。該問題同時出現在機器學習與神經科學領域，其核心目標是：在按時間排列的序列中，識別出那些頻繁共同出現的狀態，並將它們歸為同一個組塊。難點並不只在於把組塊劃得準，還在於要讓這些組塊在時間推進、資料不斷到來的過程中保持穩定——既要能反映新出現的結構，又不能因區域性波動而讓既有分塊頻繁瓦解。
針對這一矛盾，作者把注意力放在 Decentralized SyncMap 上。這是一種自組織系統，能夠在沒有監督訊號的情況下逐步形成對序列結構的表徵，但其分塊動態容易受到區域性不一致的影響而變得不穩定。論文的正則化思路來自層論（sheaf）視角：把系統中的區域性資訊不一致視為需要被約束的物件，透過層正則化抑制這些區域性偏差，從而讓整體分塊動態更加平穩。
在具體實現上，作者設計了一種徑向層結構（radial sheaf structure）。該結構並不籠統地懲罰所有偏差，而是聚焦於成對變數之間的徑向運動，並讓懲罰強度隨距離變化，即對依賴距離的徑向位移施加約束。這樣做的目的是在不抹平系統自組織能力的前提下，限制那些會破壞組塊穩定性的漂移。
實驗部分採用 Continual General Chunking Problem（CGCP）圖作為評測物件，並以歸一化互資訊（NMI）衡量分塊質量，同時與多種 SyncMap 變體進行比較。結果顯示，在帶有兩狀態記憶設定的 18 個機率性 CGCP 圖中，所提方法在 12 個圖上取得了最高的 NMI；在動態記憶設定下，優勢更為明顯，18 個圖中有 17 個圖的結果位居第一。
論文還報告了序列適應實驗。當輸入分佈發生偏移後，Sheaf SyncMap 依然能夠維持較高的 NMI，這意味著它可以在保留既有知識的同時接納新知識。作者特別指出，這一表現說明該方法能夠適應新資訊，並規避了神經網路等現代機器學習系統中常見的負遷移現象，即學習新任務時損害舊任務效能的問題。該工作因此把層論工具與自組織持續學習結合起來，為穩定、無監督的持續分塊提供了一個可評測、可比較的技術方向。