Recursion 递归函数的网络模拟是什么？

这是Wolfram科学会议提出的一个雄心勃勃的问题：是否存在递归函数的网络模拟？也许是一种迭代的“map-reduce”模式？如果我们将交互添加到迭代中，事情就会变得复杂：大量交互实体的连续迭代会产生非常复杂的结果。如果能有一种方式来看待定义一个复杂系统的无数交互的后果，那将是一件好事。我们能在包含嵌套传播循环的连接节点的迭代网络中找到递归函数的对应项吗

---

分布式计算的基本模式之一是Map-Reduce：它可以在细胞自动机（CA）和神经网络（NN）中找到。神经网络中的神经元通过突触（reduce）收集信息，并将其发送给其他神经元（map）。CA中的单元行为类似，它们从邻居收集信息（reduce），应用转换规则（reduce），然后再次将结果提供给邻居。因此，如果有递归函数的网络模拟，那么Map Reduce肯定是其中的一个重要部分。存在什么样的迭代“map-reduce”模式？某些类型的“地图减少”模式是否会导致某些类型的溪流，甚至漩涡或漩涡？我们能为map-reduce模式制定一个演算吗？

我将尝试一下关于神经网络中递归的问题，但我真的不知道map-reduce是如何在这方面发挥作用的。我发现神经网络可以执行分布式计算，然后将其简化为更局部的表示，但术语map reduce是这种分布式/局部管道的一个非常特殊的品牌，主要与google和Hadoop相关

不管怎么说，你的问题的简单答案是，在神经网络中没有递归的通用方法；事实上，在神经网络中实现通用角色-值绑定这一非常相关的简单问题目前仍然是一个悬而未决的问题

神经网络（ANN）中的角色绑定和递归之所以如此困难，其一般原理是ANN本质上是相互依赖的；事实上，这就是他们大部分计算能力的来源。而函数调用和变量绑定都是非常抽象的操作；它们所包含的是一种要么全有要么全无的关系，在许多情况下，这种离散性是一种宝贵的财产。因此，在不牺牲任何计算能力的情况下在另一个内部实现一个是非常棘手的

这里是一个小样本的文件，试图在那里手部分解决方案。幸运的是，很多人都觉得这个问题很有趣

视觉分割和动态绑定问题：提高人工神经网络浮游生物分类器的鲁棒性（1993）

---

有趣的答案，尽管我不确定绑定问题与这个问题有什么关系。我知道map reduce是一个非常具体的术语，主要与Google和Hadoop相关。我想他们可能已经在分布式系统中发现了一个非常基本的东西，一个。在神经网络中，我们在多个层次上有地图缩小模式：从底部神经元之间的信息的拉伸和折叠、中间的神经组件的合并和分裂、收集信息并将其还原到顶部的决定。这其中有一些非常基本的东西。