20260518-morning:新增内容

concepts/adaptive-computation-time.md

@@ -0,0 +1,46 @@
+---
+title: "Adaptive Computation Time (ACT)"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [neural-architecture, efficiency, computation]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Adaptive Computation Time (ACT)
+
+**Adaptive Computation Time** 是一类技术，允许神经网络根据输入难度动态调整计算量。
+
+## 经典方案
+
+### ACT (Graves, 2016)
+- 引入可学习的 halting 单元
+- 在每个循环步骤输出 halting 概率
+- 当累积 halting 概率超过 1−ε 时停止
+- 需要 "ponder cost" 正则化项鼓励效率
+
+### PonderNet (Banino et al., 2021)
+- 将 halting 概率建模为几何分布
+- 训练时从分布采样步数
+- 推理时使用期望步数
+
+### 其他变体
+- **Early-Exit Networks**：中间层添加分类器，满足条件则提前退出
+- **AdaTape**：动态扩展输入序列
+- **Sparse Universal Transformer**：循环权重共享 + 动态 halting + MoE
+
+## CTM 的原生 ACT
+
+CTM 通过 [[certainty-based-loss|Certainty-Based Loss]] 自然实现 ACT，无需显式 halting 模块：
+- 确定性可以作为停止条件
+- 简单样本在早期 tick 即达到高确定性
+- ImageNet 实验中，大多数样本在 <10 ticks 即可停止（总共 50 ticks）
+
+## 关键区别
+
+CTM 的 ACT 是**涌现属性**而非显式设计——没有 halting 模块、没有 ponder cost、没有步数采样。这是其架构哲学的核心体现：通过设计损失函数和表示，让"智能"行为自然涌现。
+
+## 来源
+
+- Graves, "Adaptive Computation Time for Recurrent Neural Networks", 2016
+- [[darlow-ctm-2025|CTM 论文]] (NeurIPS 2025)

concepts/analytical-report-synthesizer.md

@@ -0,0 +1,31 @@
+---
+title: "Analytical Report Synthesizer"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [nlp, llm, report-generation, interface]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Analytical Report Synthesizer
+
+**Analytical Report Synthesizer** 是 NeurIDA 的输出组件，将预测结果转化为可解释的分析报告。
+
+## 功能
+
+- **输入**：预测结果 + 任务画像 + [[data-slice|Data Slice]]
+- **方法**：LLM 驱动的专用分析代理，具备强推理能力和领域知识
+- **输出**：结构化分析报告，包含上下文解读和分析摘要
+
+## 设计价值
+
+传统数据分析工作流中，预测结果（如 "8 名患者被标记为高风险"）需要领域专家进一步解读才能转化为可操作决策。Synthesizer 自动化了这一解释过程，使 NeurIDA 从"输出数字"升级为"输出洞察"。
+
+## 示例
+
+输入：患者 ICU 入院预测结果 + 患者特征
+输出：包含高风险患者数量、常见驱动因素、建议关注维度的结构化报告
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/base-table-embedding.md

@@ -0,0 +1,32 @@
+---
+title: "Base Table Embedding"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [machine-learning, embedding, tabular-data]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Base Table Embedding
+
+**Base Table Embedding** 是 DIME 管线的第一阶段，为 [[data-slice|Data Slice]] 中所有元组生成初始向量表示，捕获表内语义。
+
+## 双路径编码策略
+
+### 路径 1：基础模型编码
+使用 [[conditional-model-dispatcher|Dispatcher]] 选出的基础模型 m* 对其原生特征进行编码，保留该模型的归纳偏置和建模能力。
+
+### 路径 2：统一元组编码器
+使用共享的 Unified Tuple Encoder 将异构 schema 的元组映射到统一的 d 维表示空间：
+- 按数据类型编码每个属性值（数值型、类别型、文本型、时间戳型）
+- 通过 Feature Tokenizer + Transformer Layer 捕获特征交互
+- 产生兼容的统一表示，便于后续跨表建模
+
+## 设计考量
+
+- **兼容性**：统一编码器产生的表示与后续 [[dynamic-relation-modeling|关系建模]] 和 [[dynamic-model-fusion|融合]] 兼容
+- **保真性**：基础模型路径保留其原生能力，双路径输出共同构成元组嵌入
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/certainty-based-loss.md

@@ -0,0 +1,50 @@
+---
+title: "Certainty-Based Loss"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [loss-function, adaptive-computation, training]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Certainty-Based Loss
+
+**Certainty-Based Loss** 是 CTM 的训练损失函数，通过对多个内部 tick 的**动态选择**实现原生自适应计算。
+
+## 定义
+
+CTM 在每个 [[internal-ticks|internal tick]] t 产生输出 y_t（如分类概率）。对每个前向传播，选择两个 tick：
+
+1. **t₁ = argmin_t(L_t)** — 损失最小的 tick（"最佳"预测）
+2. **t₂ = argmax_t(C_t)** — 确定性最高的 tick
+
+其中 C_t = 1 − normalized_entropy(y_t)，衡量预测置信度。
+
+最终损失：
+```
+L = (L_t₁ + L_t₂) / 2
+```
+
+## 为什么这个设计关键？
+
+### 原生自适应计算
+- 不要求模型在固定 tick 停止——损失函数不指定"正确"的 tick
+- 模型可以自然地学习在达到足够确定性时停止
+- 简单样本在早期 tick 达到高确定性 → 实际推理时可早停
+
+### 校准对齐
+- 同时优化损失最小化和确定性最大化
+- 促使模型的置信度与准确性对齐（校准）
+- ImageNet 实验显示 CTM 具有天然优秀的校准性能
+
+## 与 ACT 的对比
+
+| 维度 | ACT (Graves 2016) | CTM Certainty-Based Loss |
+|------|-------------------|-------------------------|
+| Halting 机制 | 显式 halting 模块 + 额外损失项 | 损失函数设计自然实现 |
+| 计算惩罚 | 需要 ponder cost 正则化 | 不需要 |
+| 何时停止 | 学习 halting 概率 | 确定性阈值 |
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/composable-base-model-architecture.md

@@ -0,0 +1,41 @@
+---
+title: "Composable Base Model Architecture"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [machine-learning, architecture, modular-design]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Composable Base Model Architecture
+
+**可组合基础模型架构**是 NeurIDA 实现 [[dynamic-in-database-modeling|动态建模]] 的架构基础。
+
+## 构成
+
+```
+基础模型池 M = {m₁, m₂, ..., mₖ}
+    + 
+共享模型组件
+    ├── 统一元组编码器（Unified Tuple Encoder）
+    ├── 关系感知消息传递模块（Relation-Aware Message Passing）
+    └── 上下文感知融合模块（Context-Aware Fusion）
+```
+
+## 基础模型池
+
+涵盖四类异构模型：
+- **Traditional ML**：RF, CatBoost, LightGBM, Logistic Regression
+- **Tuple Representation Models (TRM)**：FT-Transformer, ARM-Net, TabM, ResNet, DNN, DeepFM
+- **Tabular Foundation Models**：TabPFN, TabICL
+- **Large Tabular Models (LTM)**：TP-BERTa, Nomic, BGE
+
+## 设计原则
+
+1. **异构性**：不同架构的模型互补，适应不同数据分布
+2. **可组合性**：共享组件的接口统一，可任意与基础模型组合
+3. **查询条件化**：[[conditional-model-dispatcher|Dispatcher]] 根据任务选择合适的 m*，DIME 按需装配
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/conditional-model-dispatcher.md

@@ -0,0 +1,36 @@
+---
+title: "Conditional Model Dispatcher"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [machine-learning, model-selection, efficiency]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Conditional Model Dispatcher
+
+**Conditional Model Dispatcher** 是 NeurIDA 的轻量级调度组件，解决两个关键决策：
+
+1. **基础模型选择**：从 [[composable-base-model-architecture|模型池]] 中为当前任务选择最优基础模型
+2. **条件增强**：判断是否需要调用 DIME 进行结构增强，还是直接部署基础模型
+
+## 决策机制
+
+### 模型选择
+- 维护 metadata dictionary，记录每个基础模型的历史 EMA 性能 μᵢ
+- 使用 [[zero-cost-proxies|Zero-Cost Proxies (ZCP)]] 对候选模型快速评分，得到代理分数 sᵢ
+- 选择 s* 最高的模型 m*
+
+### 增强决策
+- 计算动态阈值：τ = (1 − ε) · μₘ*
+- 若 s* ≥ τ：直接部署 m*（高效）
+- 若 s* < τ：调用 [[dime-dynamic-in-database-modeling-engine|DIME]] 进行结构增强
+
+## 设计考量
+
+- **轻量级**：ZCP 评分无需完整训练，基于小批量标注数据即可完成
+- **自适应**：阈值基于历史 EMA 动态调整，避免浪费计算资源
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/continuous-thought-machine.md

@@ -0,0 +1,38 @@
+---
+title: "Continuous Thought Machine (CTM)"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [neural-architecture, temporal-dynamics, biological-plausibility, sakana-ai]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Continuous Thought Machine (CTM)
+
+**Continuous Thought Machine (CTM)** 是 Sakana AI 提出的新型神经网络架构，将神经时序动力学作为核心计算原理。
+
+## 核心设计原则
+
+与大多数将神经元简化为静态激活函数（ReLU/GELU/SiLU）的现代 NN 不同，CTM 有两个根本性创新：
+
+1. **[[neuron-level-models|Neuron-Level Models]]**：每个神经元拥有私有参数，从激活历史中产生复杂时序动态
+2. **[[neural-synchronization|Neural Synchronization]]**：将神经元群体活动的时序相关性直接用作潜在表示
+
+## 与现有架构的差异
+
+| 维度 | 标准 Transformer/CNN | RNN/LSTM | CTM |
+|------|---------------------|----------|-----|
+| 神经元模型 | 统一激活函数 | 统一激活函数 | 私有 NLMs |
+| 时序处理 | 位置编码 | 隐藏状态 | 内部 ticks + 同步 |
+| 表示来源 | 单步激活快照 | 最终隐藏状态 | 激活历史的时序相关性 |
+| 自适应计算 | 需显式模块 | 需显式模块 | 原生涌现 |
+
+## 关键属性
+
+- **原生自适应计算**：通过 [[certainty-based-loss|Certainty-Based Loss]] 自然实现
+- **可解释性**：同步表示和注意力轨迹提供自然的可解释途径
+- **涌现行为**：环顾四周、行波、内部世界模型构建
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文 (NeurIPS 2025)]]

concepts/data-slice.md

@@ -0,0 +1,38 @@
+---
+title: "Data Slice"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [database, sql, data-management]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Data Slice
+
+**Data Slice**（数据切片）是任务特定的关系数据库子集，是 NeurIDA 分析管线的核心数据对象。
+
+## 形式定义
+
+给定分析查询 q，Data Slice Dq 是从数据库 D 中派生的自包含数据库子集：
+
+```
+Dq = {Tₖ,₍q₎ | Tₖ ∈ D, k ∈ Kq ⊆ {1, ..., K}}
+```
+
+其中每个 Table Slice Tₖ,₍q₎ 通过关系代数的选择和投影操作得到：
+```
+Tₖ,₍q₎ = π_Jₖ,₍q₎(σ_Iₖ,₍q₎(Tₖ))
+```
+
+- σ：行选择（由查询的 WHERE/JOIN 条件决定）
+- π：列投影（由 [[query-intent-analyzer|Data Profiler]] 过滤不相关列决定）
+
+## 在 NeurIDA 中的作用
+
+- Data Slice 由 [[query-intent-analyzer|Query Intent Analyzer]] 自动生成
+- 被转换为 [[relational-graph|关系图]]（FK-PK 边），作为 DIME 建模的数据结构基础
+- 所有后续建模仅在 Data Slice 上进行，无需访问整个数据库
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/dime-dynamic-in-database-modeling-engine.md

@@ -0,0 +1,38 @@
+---
+title: "DIME (Dynamic In-Database Modeling Engine)"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [database, machine-learning, engine, in-database-analytics]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# DIME: Dynamic In-Database Modeling Engine
+
+**DIME** 是 NeurIDA 的核心执行引擎，负责在接收分析任务后动态构造定制模型并进行预测。
+
+## 四阶段管线
+
+### 1. [[base-table-embedding|Base Table Embedding]]
+将 [[data-slice|Data Slice]] 中的所有元组转换为向量表示。采用**双路径编码**：
+- **基础模型路径**：使用 Dispatcher 选出的基础模型生成原生表示，保留其归纳偏置
+- **统一编码器路径**：共享的统一元组编码器将异构 schema 的元组映射到统一表示空间
+
+### 2. [[dynamic-relation-modeling|Dynamic Relation Modeling]]
+在 [[relational-graph|关系图]]（FK-PK 边）上执行关系感知消息传递，将跨表结构信息注入元组嵌入，产生关系嵌入。
+
+### 3. [[dynamic-model-fusion|Dynamic Model Fusion]]
+使用上下文感知融合模块，计算关联表中各上下文信号的**重标定重要性分数**，自适应地将最相关的关联上下文融合到目标表元组表示中。
+
+### 4. Task-Aware Prediction
+基于融合嵌入，使用任务特定的预测头（分类/回归）生成最终预测。
+
+## 关键特性
+
+- **查询条件化**：整个管线由任务画像和数据画像驱动
+- **关系感知**：显式建模 FK-PK 结构，不像传统方法将元组视为独立样本
+- **可解释性**：融合模块的重要性分数提供预测归因
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/dynamic-in-database-modeling.md

@@ -0,0 +1,29 @@
+---
+title: "Dynamic In-Database Modeling"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [database, machine-learning, paradigm, in-database-analytics]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Dynamic In-Database Modeling
+
+**动态库内建模**是 NeurIDA 提出的新范式，核心思想是**从「为每个任务训练固定模型」转向「在查询时从共享组件装配定制模型」**。
+
+## 范式对比
+
+| 维度 | 静态建模（传统） | 动态建模（NeurIDA） |
+|------|----------------|-------------------|
+| 模型生命周期 | 训练→部署→固定 | 查询时按需装配 |
+| 任务覆盖 | 一对一（每个任务一个模型） | 一对多（共享架构覆盖所有任务） |
+| 数据操作 | 需提取、预处理、外移 | 数据库内直接操作 |
+| 适应性 | 新任务需从头构建 pipeline | 即时适配新任务 |
+
+## 实现机制
+
+依托 [[composable-base-model-architecture|可组合基础模型架构]]：预训练一组异构基础模型 + 共享模型组件（统一元组编码器、关系消息传递模块、上下文融合模块）。查询时 [[dime-dynamic-in-database-modeling-engine|DIME]] 根据任务画像从池中动态选取和配置组件。
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/dynamic-model-fusion.md

@@ -0,0 +1,36 @@
+---
+title: "Dynamic Model Fusion"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [machine-learning, attention, interpretability, relational-data]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Dynamic Model Fusion
+
+**Dynamic Model Fusion** 是 DIME 管线的第三阶段，负责将有选择地将关联表的上下文信息融合到目标表元组表示中。
+
+## 核心机制
+
+使用**上下文感知融合模块（Context-Aware Fusion Module）**：
+
+1. 计算关联表中每个上下文信号的**重标定重要性分数**
+2. 基于任务画像自适应加权：与任务最相关的关联表获得更高权重
+3. 将加权后的关系上下文注入目标表元组的 [[dynamic-relation-modeling|关系嵌入]]
+4. 输出：**融合嵌入（Fused Embedding）**，直接送入预测头
+
+## 可解释性
+
+融合模块产生的重要性分数天然支持**预测归因**：
+- 例如，在用户流失预测中，UserInfo 表获得最高重要性（用户画像最具预测力）
+- 在广告点击预测中，Search 行为信号权重最大
+- 这些分数与领域知识高度一致，无需额外的可解释性组件
+
+## 消融实验
+
+移除 Dynamic Model Fusion 后，性能下降幅度超过移除 Dynamic Relation Modeling，说明**选择性融合**（而不是简单拼接所有关系信息）是关键设计。
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/dynamic-relation-modeling.md

@@ -0,0 +1,35 @@
+---
+title: "Dynamic Relation Modeling"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [machine-learning, graph-neural-networks, relational-data]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Dynamic Relation Modeling
+
+**Dynamic Relation Modeling** 是 DIME 管线的第二阶段，负责将跨表关系结构融入元组表示。
+
+## 机制
+
+在 [[relational-graph|关系图]]（以 FK-PK 为边的元组图）上执行**关系感知消息传递**：
+
+1. 每个元组节点以其 [[base-table-embedding|Base Table Embedding]] 初始化
+2. 消息沿 FK-PK 边传递，聚合邻接表元组的信息
+3. 通过多轮消息传递，元组嵌入吸收关联表的语义信息
+4. 输出：**关系嵌入（Relational Embedding）**，融合了表内语义和跨表结构
+
+## 可配置维度
+
+- 聚合器类型：min / max / mean / sum
+- 消息传递层数 ℓ
+- 编码器层数和注意力头数
+
+## 消融实验
+
+移除 Dynamic Relation Modeling 后，性能显著下降——证实跨表结构信息对预测至关重要，尤其在目标表特征稀疏的场景下。
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/in-database-analytics.md

@@ -0,0 +1,36 @@
+---
+title: "In-Database Analytics"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [database, machine-learning, analytics]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# In-Database Analytics
+
+**In-Database Analytics** 指在数据库管理系统内部直接执行 ML/分析任务，无需将数据导出到外部计算环境。
+
+## 核心价值
+
+1. **零数据移动**：消除 ETL/数据导出开销，保持数据本地性
+2. **实时性**：分析紧耦合于数据，响应延迟最低
+3. **一致性**：分析所用的数据与事务数据一致
+4. **治理**：数据库的访问控制、审计等安全机制自然覆盖分析任务
+
+## 代表性系统
+
+- **NeurIDA** — 端到端自主系统，动态建模 + 自然语言接口
+- **NeurDB** — AI 驱动的自主数据库（CIDR 2025）
+- **PostgresML** / **MindsDB** — SQL 内嵌 ML 推理
+- **Cerebro** — 数据库内的 DL 模型选择
+
+## 关键挑战
+
+- **范式鸿沟**：传统 ML 的静态模型 vs 数据库的动态环境
+- **schema 异构**：关系数据的多表结构需要特殊建模
+- **查询多样性**：需支持分类、回归等多种预测类型
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/internal-ticks.md

@@ -0,0 +1,40 @@
+---
+title: "Internal Ticks"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [neural-architecture, recurrence, temporal-processing]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Internal Ticks
+
+**Internal Ticks** 是 CTM 中的内部时序维度 t ∈ {1, 2, ..., T}，与数据维度（序列长度、图像尺寸等）完全解耦。
+
+## 核心思想
+
+传统循环模型沿**数据固有的序列维度**展开（如文本的 token 位置），而 CTM 沿**自生成的"思考步骤"** 展开——即使是静态输入（单张图像）也有内部时序。
+
+## 在 CTM 中的作用
+
+每个 internal tick 中：
+1. [[synapse-model|Synapse Model]] 产生前激活 a_t
+2. [[neuron-level-models|NLMs]] 产生后激活 z_{t+1}
+3. [[neural-synchronization|同步矩阵]] S^t 被计算
+4. 输出 y_t 和注意力查询 q_t 被生成
+5. 注意力输出 o_t 与 z_{t+1} 拼接进入下一 tick
+
+## 与 Adaptive Computation 的关系
+
+CTM 不要求使用固定的 tick 数——[[certainty-based-loss|损失函数]] 在每个样本上动态选择最佳 tick。这意味着：
+- 简单样本可提前终止（如 <10 ticks for ImageNet）
+- 困难样本可使用更多 ticks
+
+## 相关概念
+
+- 类似 Perceiver 的 iterative attention 和 PonderNet 的 halting 机制
+- 但 CTM 的 ticks 是 **neural dynamics 的展开**，而非单纯的迭代精炼
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/internal-world-model.md

@@ -0,0 +1,45 @@
+---
+title: "Internal World Model"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [cognitive-science, planning, representation, world-models]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Internal World Model
+
+**内部世界模型** 是 agent 在内部构建的环境表征，用于预测、规划和推理而不直接与环境交互。
+
+## 经典定义 (Ha & Schmidhuber, 2018)
+
+世界模型由三个组件构成：
+1. **Vision (V)**：将观察压缩为潜在编码
+2. **Memory (M)**：预测未来的潜在编码
+3. **Controller (C)**：基于潜在编码选择动作
+
+## CTM 中的涌现世界模型
+
+在 2D 迷宫任务中，CTM **没有位置编码**，但必须输出从起点到终点的动作序列。这意味着：
+
+- CTM 必须在内部构建空间表征（"地图"）
+- 表征通过 [[neural-synchronization|神经同步]] 自然形成
+- 无需显式设计——从架构中涌现
+
+### 证据
+- CTM 训练于 39×39 迷宫，可泛化到 99×99（通过重复应用学到的策略）
+- 模型可以在训练步数之外"继续探索"
+- 注意力可视化显示模型有序追踪路径
+
+## 与显式世界模型的对比
+
+| 维度 | 显式世界模型 (Dreamer 等) | CTM 涌现世界模型 |
+|------|-------------------------|-----------------|
+| 设计方式 | 明确分离 V/M/C 模块 | 同一架构中的涌现属性 |
+| 表示形式 | 潜在向量快照 | 神经同步矩阵（时序） |
+| 空间编码 | 通常使用位置编码 | 无位置编码，完全自建 |
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]
+- Ha & Schmidhuber, "World Models", 2018

concepts/neural-synchronization.md

@@ -0,0 +1,46 @@
+---
+title: "Neural Synchronization as Representation"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [representation-learning, temporal-dynamics, synchronization, biological-plausibility]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Neural Synchronization as Representation
+
+**神经同步作为表示**是 CTM 的第二个核心创新：将神经元群体活动历史的时序相关性直接用作潜在表示，而非使用单一时间点的激活快照。
+
+## 数学定义
+
+给定所有神经元在 tick 1 到 t 的后激活历史 Z^t ∈ R^{D×t}，同步矩阵定义为：
+
+```
+S^t = Z^t · (Z^t)^⊺ ∈ R^{D×D}
+```
+
+即任意两个神经元 d_i 和 d_j 在整个激活历史上的**内积**，衡量它们的时间相关程度。
+
+## 为什么是同步而非快照？
+
+作者发现将 z_t 直接投影到下游任务会过度约束神经元——每个神经元的激活被强制编码任务相关信息，限制了其可能产生的动态类型。同步表示**解耦了神经元动态与任务需求**：神经元可以自由产生丰富的时序模式，只需它们的相关性（而非具体值）编码任务信息。
+
+## 子采样：Neuron Pairing
+
+完整 S^t 的 O(D²) 规模过大。CTM 在训练开始时随机选择：
+- D_out 对神经元 → 输出同步表示 S^t_out
+- D_action 对神经元 → 动作同步表示 S^t_action（用于注意力查询）
+
+这些对的选择在整个训练过程中固定。
+
+## 时间尺度调制
+
+每对神经元 (i,j) 有可学习的指数衰减参数 r_ij：
+- r_ij = 0：所有历史 tick 等权重
+- r_ij 大：偏向近期 tick
+
+这使 CTM 能学习在多个时间尺度上同步。
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/neurida.md

@@ -0,0 +1,33 @@
+---
+title: "NeurIDA"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [database, machine-learning, autonomous-system, in-database-analytics]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# NeurIDA
+
+**NeurIDA**（Neural In-Database Analytics）是一个自主端到端系统，实现了关系数据库内的 ML 分析。其核心创新在于**动态库内建模（Dynamic In-Database Modeling）**——在查询时从可组合的共享组件中装配定制模型，而非为每个任务从头构建 pipeline。
+
+## 架构
+
+```
+NLQ → Query Intent Analyzer → Conditional Model Dispatcher → DIME → Analytical Report Synthesizer
+```
+
+- **输入**：自然语言查询
+- **输出**：可解释的分析报告
+- **运行环境**：直接操作 RDBMS，无需数据迁移
+
+## 核心能力
+
+1. **任务无关性**：同一系统可处理分类、回归等多种预测任务
+2. **动态适配**：根据查询语义和数据画像即时调整模型结构
+3. **零数据移动**：所有建模直接在数据库内完成
+4. **自然语言界面**：NLQ 输入 + LLM 解析 + 报告生成
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/neuron-level-models.md

@@ -0,0 +1,41 @@
+---
+title: "Neuron-Level Models (NLMs)"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [neural-architecture, biological-plausibility, temporal-processing]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Neuron-Level Models (NLMs)
+
+**Neuron-Level Models (NLMs)** 是 CTM 的第一个核心创新：每个神经元拥有**私有参数**的模型，而非所有神经元共享同一激活函数。
+
+## 机制
+
+对于第 d 个神经元：
+```
+z_{t+1}^d = g_{θ_d}(A_t^d)
+```
+
+其中：
+- A_t^d ∈ R^M 是该神经元最近 M 步的**前激活历史**（pre-activation history）
+- g_{θ_d} 是一个深度为 1 的 MLP（宽度 d_hidden），每个神经元有独立权重
+- z 是**后激活**（post-activation），即该神经元的放电状态
+
+## 与传统激活函数的对比
+
+| 维度 | 传统（ReLU/GELU） | NLMs |
+|------|-------------------|------|
+| 参数共享 | 全共享 | 每个神经元私有 |
+| 时序依赖 | 无（仅当前输入） | M 步历史 |
+| 表达能力 | 低（单一点态非线性） | 高（时态模式检测） |
+| 生物学类比 | 无 | 类似真实神经元的脉冲时序依赖 |
+
+## 含义
+
+NLMs 是「神经元即小型时序处理器」的思想实验——将 D 维潜在空间中的每个维度视为一个具有独立时序动力学的"微型大脑"。这显著增加了参数量（× d_hidden × M），但也开辟了新的能力维度。
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/neuron-pairing.md

@@ -0,0 +1,43 @@
+---
+title: "Neuron Pairing"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [efficiency, synchronization, subsampling]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Neuron Pairing
+
+**Neuron Pairing** 是 CTM 中用于降低 [[neural-synchronization|同步矩阵]] 计算开销的子采样策略。
+
+## 动机
+
+同步矩阵 S^t = Z^t·(Z^t)^⊺ ∈ R^{D×D} 的规模是 O(D²)，对于典型的 D（数百到数千）规模过大，无法直接用于下游。
+
+## 策略
+
+在训练开始时，随机选择两组神经元对并固定：
+- **D_out 对** → 输出同步表示 S^t_out → 投影到 y_t（预测）
+- **D_action 对** → 动作同步表示 S^t_action → 投影到 q_t（注意力查询）
+
+此外还保留：
+- **D_self 对** → 对角线元素 (i,i)，捕获单个神经元的自同步（即能量）
+
+## 设计考量
+
+- **固定对**：在整个训练中保持不变，使投影矩阵 W_out、W_in 可学习
+- **随机选择**：避免偏差，确保多样的神经元交互被采样
+- **恢复快照依赖**：对角线对 (i,i) 保留了类似"快照"的表示能力
+
+## 效率 vs 表达力权衡
+
+| 维度 | 完整 S^t | Neuron Pairing |
+|------|---------|----------------|
+| 参数量 | O(D²) | O(D × (D_out + D_action)) |
+| 信息量 | 所有对的相关性 | 子采样对的相关性 |
+| 训练稳定性 | 投影矩阵过大 | 可控维度 |
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/pre-activation-history.md

@@ -0,0 +1,42 @@
+---
+title: "Pre-Activation History"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [neural-architecture, temporal-processing, memory]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Pre-Activation History
+
+**前激活历史** 是 CTM 中每个神经元维护的滚动缓冲区，存储最近 M 步的前激活值，供 [[neuron-level-models|NLM]] 处理。
+
+## 定义
+
+```
+A_t = [a_{t-M+1}, a_{t-M+2}, ..., a_t] ∈ R^{D×M}
+```
+
+其中 a_t 是 [[synapse-model|Synapse Model]] 的输出（前激活）。A_t 以 FIFO 方式滚动更新。
+
+对于第 d 个神经元：
+```
+A_t^d ∈ R^M  →  NLM g_{θ_d}  →  z_{t+1}^d
+```
+
+## 为什么重要？
+
+前激活历史是 NLMs 能够产生**复杂时序动态**的基础：
+- 没有历史 → NLM 退化为普通逐元素变换
+- M 较大 → 每个神经元可以检测 M 步的模式
+- 这类似于卷积的感受野，但在时间维度上且每个神经元独立
+
+## 超参数 M
+
+作者发现 M ≈ 10-100 在初始探索中有效：
+- 太小：缺乏足够的时序上下文
+- 太大：训练开销增加，可能稀释近期信号
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/query-intent-analyzer.md

@@ -0,0 +1,36 @@
+---
+title: "Query Intent Analyzer"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [nlp, llm, interface, database]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Query Intent Analyzer
+
+**Query Intent Analyzer** 是 NeurIDA 的入口组件，将自然语言查询转化为结构化的任务画像（Task Profile）和数据画像（Data Profile）。
+
+## 两步流程
+
+### 1. Task Parser
+- **输入**：NLQ + DB Catalog（schema 级元数据）
+- **方法**：LLM 驱动的分析代理，通过精心设计的 prompt（含示例）指导输出
+- **输出**：JSON 格式任务画像（目标表、任务类型、时间窗口等）
+- **验证**：JSON Parser + Rule Checker 确保语法和 schema 对齐
+
+### 2. Data Profiler
+- **输入**：任务画像 + DB Catalog
+- **方法**：LLM 代理采用 Chain-of-Thought 多轮交互策略
+  - 第一轮：识别目标表和相关表
+  - 第二轮：过滤不相关/冗余列
+- **输出**：SQL 片段形式的数据画像，定义 [[data-slice|Data Slice]]
+
+## 设计要点
+
+- **零人工特征工程**：完全自动化从 NLQ 到结构化画像的转换
+- **DB schema 感知**：grounded 在真实 schema 上，避免幻觉
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/relational-graph.md

@@ -0,0 +1,35 @@
+---
+title: "Relational Graph"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [database, graph, relational-data]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Relational Graph
+
+**关系图**是将关系数据库中的元组表示为图的数据结构，是 DIME 中 [[dynamic-relation-modeling|动态关系建模]] 的基础。
+
+## 构造方式
+
+在 NeurIDA 中，关系图基于 [[data-slice|Data Slice]] 构建：
+
+- **节点**：每个元组为一个节点，按源表标注节点类型
+- **边**：通过主键-外键（PK-FK）约束形成连接
+
+## 与通用图神经网络的差异
+
+- 关系图是**异构图**（多种节点类型，对应不同表）
+- 边有明确的**关系语义**（由 schema 定义，不是学习得到的）
+- 无需图构建的启发式方法（如 kNN），关系由数据库 schema 直接提供
+
+## 在 DIME 中的作用
+
+1. 定义消息传递的邻域结构
+2. 为元组嵌入编码跨表依赖关系
+3. 使模型能利用数据库中已编码的结构化知识
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/spiking-neural-networks.md

@@ -0,0 +1,22 @@
+---
+title: "Spiking Neural Networks (SNN)"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [neural-architecture, biological-plausibility, event-driven]
+confidence: medium
+---
+
+# Spiking Neural Networks (SNN)
+
+**脉冲神经网络** 是一类使用离散脉冲（spike）而非连续值进行通信的神经网络，在时间编码和事件驱动计算方面更接近生物神经元。
+
+## 与 CTM 的关系
+
+CTM 和 SNN 共享**生物学灵感**但路径不同：
+- **SNN**：离散脉冲 + 事件驱动 + 脉冲时序依赖可塑性（STDP）
+- **CTM**：连续值 NLM + 梯度优化 + 同步作为表示
+
+两者都认为**时间是神经计算的核心**，但 CTM 选择了更适合现代深度学习的抽象层次。
+
+> 📝 占位页面 — 待完整 ingest 后更新

concepts/synapse-model.md

@@ -0,0 +1,44 @@
+---
+title: "Synapse Model"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [neural-architecture, recurrence, connectivity]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Synapse Model
+
+**Synapse Model** 是 CTM 中的循环互连结构，负责在神经元之间共享信息。
+
+## 定义
+
+```
+a_t = f_θ_syn(concat(z_t, o_t)) ∈ R^D
+```
+
+其中：
+- z_t 是当前神经元后激活状态
+- o_t 是上一 tick 的注意力输出（与外部数据的交互结果）
+- f_θ_syn 是 U-Net 风格的 MLP（深度为 k，k 为偶数）
+
+## 为什么是 U-Net 风格？
+
+作者发现 U-Net 风格（带跳跃连接的编码器-解码器 MLP）表现最佳，暗示**更深、更灵活的突触计算**有益于信息整合。这与生物突触的复杂性（多种受体类型、短期可塑性、神经递质动力学）形成类比。
+
+## 在 CTM 流程中的位置
+
+```
+z_t ─┐
+     ├→ Synapse → a_t → NLMs → z_{t+1}
+o_t ─┘                        ↓
+                          Sync → q_t, y_t → Attention → o_{t+1}
+                                                    ↓
+                                          concat(z_{t+1}, o_{t+1}) → next tick
+```
+
+Synapse 是**神经动力学的引擎**——它将外部信息（通过注意力）和内部状态融合，为每个神经元的 NLM 提供前激活输入。
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/tabular-foundation-models.md

@@ -0,0 +1,33 @@
+---
+title: "Tabular Foundation Models"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [machine-learning, foundation-models, tabular-data]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Tabular Foundation Models
+
+**表格基础模型**是在大规模表格数据上预训练、能通过上下文学习适应新任务的模型。
+
+## 代表模型
+
+- **TabPFN** (Hollmann et al., ICLR 2023)：基于 Transformer 的表格分类模型，一次前向传播即可完成预测
+- **TabICL** (Qu et al., ICML 2025)：支持大规模数据的上下文学习表格基础模型
+- **TP-BERTa** (Yan et al., ICLR 2024)：将预训练语言模型适配到表格预测
+
+## 在 NeurIDA 中的表现
+
+作为 [[composable-base-model-architecture|基础模型池]] 的一部分：
+- TabPFN/TabICL 在小数据集上表现最佳（利用预训练先验 + 上下文适应）
+- TP-BERTa 等 LTM 在关系数据库中表现较差——因为表格属性缺乏自然语言语义（如 UserAgentID、UserDeviceID）
+
+## 核心优势
+
+- **免训练推理**：预训练后无需针对新任务微调
+- **强泛化**：预训练先验覆盖广泛的表格分布
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]

concepts/temporal-decay-neural.md

@@ -0,0 +1,46 @@
+---
+title: "Temporal Decay (Neural)"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [temporal-processing, synchronization, learnable-parameters]
+sources: [raw/papers/darlow-ctm-2025.md]
+---
+
+# Temporal Decay (Neural)
+
+**时态衰减** 是 CTM 中每对神经元 (i,j) 的可学习参数 r_ij ≥ 0，用于调制 [[neural-synchronization|同步]] 计算中的时间尺度。
+
+## 定义
+
+对于神经元对 (i,j)，衰减向量定义为：
+```
+R^t_ij = [exp(-r_ij(t-1)), exp(-r_ij(t-2)), ..., exp(0)]^⊺ ∈ R^t
+```
+
+同步计算被重新缩放：
+```
+S^t_ij = (Z^t_i)^⊺ · diag(R^t_ij) · Z^t_j / √(Σ_τ R^t_ij[τ])
+```
+
+## 行为
+
+- **r_ij = 0**：所有历史 tick 等权重 → 长时程整合
+- **r_ij 大**：偏向近期 tick → 短时程响应
+- **r_ij 可学习**：CTM 根据任务需求自动调整每对神经元的时间尺度
+
+## 实验发现
+
+作者观察到 CTM 对 r_ij 的使用具有**任务依赖性**：
+- **迷宫任务**：模型积极利用多时间尺度
+- **ImageNet**：衰减的使用较少
+
+这暗示不同任务需要不同的时态整合模式。
+
+## 生物学类比
+
+类似生物突触的**短期可塑性**（short-term plasticity）——某些突触对近期活动敏感（促进/抑制），而其他突触保持长时程稳定。
+
+## 来源
+
+- [[darlow-ctm-2025|CTM 论文]]

concepts/zero-cost-proxies.md

@@ -0,0 +1,29 @@
+---
+title: "Zero-Cost Proxies (ZCP)"
+created: 2026-05-15
+updated: 2026-05-15
+type: concept
+tags: [machine-learning, neural-architecture-search, efficiency]
+sources: [raw/papers/zeng-neurida-2025.md]
+---
+
+# Zero-Cost Proxies (ZCP)
+
+**Zero-Cost Proxies** 是源自 Neural Architecture Search (NAS) 的技术，在**不进行完整训练的情况下**估计模型在给定任务上的性能。
+
+## 核心思想
+
+在模型初始化阶段通过某些可计算的代用指标（如梯度范数、激活模式、雅可比矩阵特征等）来预测模型的最终性能，成本接近零（无需梯度下降迭代）。
+
+## 在 NeurIDA 中的应用
+
+[[conditional-model-dispatcher|Conditional Model Dispatcher]] 使用 ZCP 对 [[composable-base-model-architecture|基础模型池]] 中每个候选模型进行快速评分，实现轻量级的模型选择。ZCP 评分的低成本意味着 Dispatcher 可以在几乎不增加延迟的情况下完成模型选择决策。
+
+## 关键参考文献
+
+- Abdelfattah et al., "Zero-Cost Proxies for Lightweight NAS", ICLR 2021
+- Shu et al., "NASI: Label- and Data-agnostic Neural Architecture Search at Initialization", ICLR 2022
+
+## 来源
+
+- [[zeng-neurida-2025|NeurIDA 论文]]