← Archive
lm-002854 · 2026-08

TADC-03：拓樸注意力六算子——展開、收斂、遍歷、黏合、切離與重索引

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
📎 附件 · Companion files — 隨文交付的程式 / 證明 / 資料，可獨立下載重驗

TADC-03：拓樸注意力六算子——展開、收斂、遍歷、黏合、切離與重索引

英文題名： Six Operators of Topological Attention: Expansion, Contraction, Traversal, Gluing, Detachment, and Re-indexing
系列： Topological Attention and Dynamic Cognitive Domains — Conjecture Series（TADC）
中文系列名： 拓樸注意力與動態認知域命題系列
編號： TADC-03
版本： v0.1
日期： 2026-08-17
作者： Neo.K（許筌崴）
協作： GPT-5.6 Sol
文件性質： 理論命題／形式化操作系統／可證偽研究綱領
文獻檢索截點： 2026-08-17

摘要

TADC-01 提出可變認知空間猜想（VCSC）與注意—空間轉換猜想（ASTC），主張注意活動可能不只在固定認知空間中重新分配權重，還可能參與改變未來哪些對象、關係與路徑成為可達。TADC-02 進一步提出動態認知域（Dynamic Cognitive Domains），將有效 domain 視為由 goal-conditioned relational accessibility 與觀察解析度誘導出的局部認知 chart，而非固定學科 partition。

若這兩個命題要形成真正的動力學，就必須回答：

認知空間究竟透過哪些基本操作發生變化？

本文提出六個候選基本算子：

  1. Expansion (E)：將新的認知對象、關係或鄰域納入有效域；
  2. Contraction (C)：移除、壓低或暫時排除低 relevance 區域；
  3. Traversal (T)：在既有 relational structure 中移動，而不必改變結構；
  4. Gluing (G)：藉由 bridge structure 將原本分離或弱耦合的局部域建立有效連接；
  5. Detachment (D)：削弱、切離或解除原有過強、錯誤或不再適用的關係耦合；
  6. Re-indexing (R)：改變表示解析度，使「一個 domain」可以被壓縮成一個 object，或一個 object 被展開成內部 subdomain。

本文稱此系統為 Six-Operator Cognitive Transformation System（SOCTS）。

六算子並非都代表強結構變換。Traversal 可在固定空間中成立；Re-indexing 可能只是表示尺度改變；Expansion、Contraction、Gluing、Detachment 則在強版本中候選地改變有效認知空間。本文因此將算子進一步分成 state operators、representation operators 與 structural operators。

本文提出另一個核心猜想：這些算子一般具有非交換性、路徑依賴與歷史依賴。例如：

E∘C≠C∘E,E\circ C \neq C\circ E,

以及：

G∘D≠D∘G.G\circ D \neq D\circ G.

同一組 cognitive objects 經不同操作次序，可能形成不同的可達結構與後續推理路徑。

現有研究已分別觀察到 hierarchical task-set reconfiguration、task-dependent representational geometry、working-memory grouping 對 chunk formation 的影響、predictive learning 對 representational geometry 的塑形、compositional task representations、practice-driven compositional-to-conjunctive shifts，以及 hierarchical cognitive maps。這些研究提供六算子各自的鄰接實證，但沒有任何一項研究直接證明 SOCTS 為人類注意力的基本操作代數。

因此本文的目標不是宣告「六算子就是大腦真實 primitive」，而是建立一套可與傳統 task switching、learning、chunking、semantic priming、working memory、representational geometry 與 cognitive-map 模型競爭的最小操作語言。

0. 邊界聲明

本文提出的六算子是：

candidate cognitive operators\boxed{ \text{candidate cognitive operators} }

而不是已被神經科學確認的六個腦機制。

本文也不主張：

there are exactly six fundamental cognitive operators.\boxed{ \text{there are exactly six fundamental cognitive operators}. }

未來可能：

  • 六個算子可被合併；
  • 某些算子可由更基本操作導出；
  • 需要加入第七、第八個算子；
  • 整套 operator language 無法提供增量預測。

若如此，模型必須修改。

此外：

G(U,V)=U∪BVG(U,V)=U\cup_BV

中的「gluing」目前不是宣稱已建立 topological pushout；

RR

也不是嚴格 differential-geometric coordinate transformation。

本文使用的是具有明確行為與結構含義的候選形式語言。

1. 前兩篇留下的缺口

TADC-01：

Ct=(Xt,Rt,κt,Nt,At,Gt).\mathcal C_t = ( X_t, \mathcal R_t, \kappa_t, \mathcal N_t, A_t, G_t ).

TADC-02：

At={(Uα,t,ϕα,t)}α∈It.\mathfrak A_t = \{ (U_{\alpha,t},\phi_{\alpha,t}) \}_{\alpha\in I_t}.

並提出：

At→At+1.\mathfrak A_t \rightarrow \mathfrak A_{t+1}.

但是：

這個箭頭到底由什麼構成？

如果只寫：

Ψ:At→At+1,\Psi: \mathfrak A_t \rightarrow \mathfrak A_{t+1},

卻不拆：

Ψ\Psi

內部的操作類型，

「動態認知域」仍然只是一個黑盒。

TADC-03 的目的就是把：

Ψ\Psi

拆成候選 primitive operator family：

O={E,C,T,G,D,R}.\boxed{ \mathcal O = \{E,C,T,G,D,R\}. }

2. Six-Operator Cognitive Transformation System（SOCTS）

定義：

O={E,C,T,G,D,R}.\mathcal O = \{ E,C,T,G,D,R \}.

對時間 (t) 的認知結構：

Ct\mathcal C_t

與認知 atlas：

At,\mathfrak A_t,

一個 cognition episode 可以表示為 operator sequence：

ω=OnOn−1⋯O2O1,\omega = O_nO_{n-1}\cdots O_2O_1,

其中：

Oi∈O.O_i\in\mathcal O.

所以：

Ct+n=ω(Ct).\mathcal C_{t+n} = \omega(\mathcal C_t).

這不是宣稱 cognition 真的是離散六符號機器。

它只是一個可操作化的 coarse-grained representation。

3. 三類算子

六算子先分成三層。

3.1 State Operator

Traversal (T)

可只改變：

AtA_t

或 current cognitive location，

而不改變：

Xt,Rt,Nt.X_t,\mathcal R_t,\mathcal N_t.

3.2 Representation Operator

Re-indexing (R)

主要改變：

ϕα,t\phi_{\alpha,t}

或 resolution：

λt,\lambda_t,

而不必改變 underlying relation support。

3.3 Structural Operators

候選包括：

E,C,G,D.E,C,G,D.

它們可能改變：

Xt,Rt,κt,NtX_t, \mathcal R_t, \kappa_t, \mathcal N_t

中的至少一項。

因此：

not every operator is a topology-changing operator.\boxed{ \text{not every operator is a topology-changing operator}. }

這是一條必要限制。

4. 算子一：Expansion (E)

4.1 最小定義

給定目前有效 domain：

Ut⊆Xt.U_t\subseteq X_t.

若：

y∉Uty\notin U_t

但：

κt(Ut,y∣Gt)≥θE,\kappa_t(U_t,y\mid G_t)\geq\theta_E,

則：

E(Ut)=Ut∪{y}.E(U_t) = U_t\cup\{y\}.

更一般：

E(Ut)=Ut∪NR(Ut;Gt,θE).E(U_t) = U_t \cup N_{\mathcal R} ( U_t; G_t,\theta_E ).

5. Expansion 不只是「想到更多東西」

必須區分：

Activation Expansion

原本：

y∈Xty\in X_t

只是：

wt(y)≈0.w_t(y)\approx0.

現在：

wt+1(y)↑.w_{t+1}(y)\uparrow.

這只是 active-set expansion。

Accessibility Expansion

原本：

y∉Reach⁡t(k)(U),y\notin \operatorname{Reach}^{(k)}_t(U),

之後：

y∈Reach⁡t+1(k)(U).y\in \operatorname{Reach}^{(k)}_{t+1}(U).

這才是 ASTC-M 意義下的 expansion。

Structural Expansion

甚至：

y∉Xty\notin X_t

作為 functional cognitive unit 不存在，

但經 inference / abstraction / chunk formation：

y∈Xt+1.y\in X_{t+1}.

這是 ASTC-S 的強 expansion。

因此：

EA≠Ereach≠ES.\boxed{ E_A \neq E_{\mathrm{reach}} \neq E_S. }

6. Expansion 的可能來源

Expansion 可能由：

  • external input；
  • memory retrieval；
  • analogy；
  • causal inference；
  • exploration；
  • curiosity；
  • prediction error；
  • cross-domain bridge；
  • compositional recombination；

引發。

所以：

EE

不等於 attention。

更準確：

E=F(at,mt,et,Gt,Rt).E = F( a_t, m_t, e_t, G_t, \mathcal R_t ).

TADC 的命題只是：

∂E∂at\frac{\partial E}{\partial a_t}

在部分條件可能非零。

7. Expansion 與現有研究

2024 年 predictive-learning 研究顯示，人類表徵幾何會隨環境統計 regularity 改變，並將 temporally contiguous / predictable stimuli 拉近成 cluster。

這說明：

learning can reshape effective representational neighborhood.\boxed{ \text{learning can reshape effective representational neighborhood}. }

但它不能單獨證明 attention-driven Expansion。

同樣，2024 年 human hippocampal single-neuron research 顯示 abstract representations 可在 inference learning 中形成，支持：

Xt→Xt+1X_t \rightarrow X_{t+1}

式 functional representation emergence 的可能性。

但其機制仍可主要是 learning / inference。

8. 算子二：Contraction (C)

若：

UtU_t

含大量目前 goal-irrelevant cognitive material，

可以定義：

C(Ut)={x∈Ut:ρt(x∣Gt)≥θC}.C(U_t) = \{ x\in U_t: \rho_t(x\mid G_t)\geq\theta_C \}.

其中：

ρt\rho_t

是 task relevance。

因此：

C(Ut)⊆Ut.C(U_t)\subseteq U_t.

9. Contraction 不等於遺忘

至少拆三類。

Active Contraction

At+1⊂At.A_{t+1}\subset A_t.

只是 foreground 減少。

Accessibility Contraction

Reach⁡t+1(k)⊂Reach⁡t(k).\operatorname{Reach}^{(k)}_{t+1} \subset \operatorname{Reach}^{(k)}_t.

某些路徑暫時不再容易使用。

Structural Contraction

Xt+1⊂XtX_{t+1}\subset X_t

或：

Rt+1⊂Rt.\mathcal R_{t+1} \subset\mathcal R_t.

功能單位 / relations 真正失去有效性。

這可能來自：

  • extinction；
  • forgetting；
  • pruning；
  • task specialization；
  • pattern separation；
  • schema compression。

所以：

C≠forgetting only.\boxed{ C \neq \text{forgetting only}. }

10. Contraction 的功能

若只有 Expansion：

∣Xt∣→∞|X_t|\rightarrow\infty

會導致：

  • search explosion；
  • interference；
  • irrelevant branching；
  • low precision；
  • cognitive overload。

因此高階 cognition 需要：

E+C\boxed{ E + C }

的耦合。

Expansion 增加候選可能性：

recall↑.\text{recall}\uparrow.

Contraction 提高：

precision↑.\text{precision}\uparrow.

因此 cognition 可能不是：

expand forever,\text{expand forever},

而是：

E→C→E→C→⋯\boxed{ E\rightarrow C\rightarrow E\rightarrow C\rightarrow\cdots }

的動態。

11. Practice 作為 Contraction / Specialization 的鄰接證據

2025 年 extended task-learning 研究發現，task representations 可由早期較 compositional 的形式逐步轉向較 task-specific 的 conjunctive forms，伴隨 reduced cross-task interference 與行為改善。

這可被 TADC 描述成：

Ecompositional→Ctask−specific.E_{\mathrm{compositional}} \rightarrow C_{\mathrm{task-specific}}.

但這只是我們的重新表述。

原研究本身並沒有聲稱存在一個 cognitive contraction operator。

因此：

empirical adjacency≠operator proof.\boxed{ \text{empirical adjacency} \neq \text{operator proof}. }

12. 算子三：Traversal (T)

Traversal 是六個算子中最保守的一個。

給定 fixed relational structure：

C=(X,R,κ,N),\mathcal C = (X,\mathcal R,\kappa,\mathcal N),

從：

xtx_t

到：

xt+1x_{t+1}

若：

(xt,xt+1)∈R,(x_t,x_{t+1})\in\mathcal R,

定義：

T:xt↦xt+1.T: x_t \mapsto x_{t+1}.

13. Traversal 可以完全不改變空間

若：

Xt=Xt+1,X_t=X_{t+1}, Rt=Rt+1,\mathcal R_t=\mathcal R_{t+1}, Nt=Nt+1,\mathcal N_t=\mathcal N_{t+1},

則：

TT

只是：

movement within a fixed cognitive space.\boxed{ \text{movement within a fixed cognitive space}. }

所以：

T⇏ASTC.\boxed{ T\not\Rightarrow ASTC. }

這一點很重要。

14. Traversal 與 Task Switching 必須分離

外部 label：

L(xt)≠L(xt+1)L(x_t)\neq L(x_{t+1})

不必表示：

dcog(xt,xt+1)d_{\mathrm{cog}}(x_t,x_{t+1})

很大。

若：

κ(xt,xt+1∣G)≫0,\kappa(x_t,x_{t+1}\mid G)\gg0,

則表面「跨領域」可能只是：

low-cost traversal.\boxed{ \text{low-cost traversal}. }

反之，

即使：

L(xt)=L(xt+1),L(x_t)=L(x_{t+1}),

若：

κ≈0,\kappa\approx0,

實際 cognitive reconstruction cost 可能很高。

因此：

task label switch≠relational traversal distance.\boxed{ \text{task label switch} \neq \text{relational traversal distance}. }

15. Traversal Path

一條 cognitive path：

γ=(x0,x1,…,xn).\gamma = (x_0,x_1,\ldots,x_n).

成本：

K(γ)=∑i=0n−1c(xi,xi+1∣G).K(\gamma) = \sum_{i=0}^{n-1} c(x_i,x_{i+1}\mid G).

若：

c∝−log⁡κ,c \propto -\log\kappa,

則：

K(γ)=−∑ilog⁡κ(xi,xi+1∣G).K(\gamma) = -\sum_i \log \kappa(x_i,x_{i+1}\mid G).

高 accessibility 的路徑：

K(γ)↓.K(\gamma)\downarrow.

因此 switching difficulty 可以轉成：

path-cost problem.\boxed{ \text{path-cost problem}. }

16. 算子四：Gluing (G)

考慮兩個有效 domains：

Uα,Uβ.U_\alpha, U_\beta.

若：

Uα∩Uβ=∅U_\alpha\cap U_\beta = \varnothing

或 overlap 很弱，

但出現 bridge：

Bαβ,B_{\alpha\beta},

則可以建立：

G(Uα,Uβ;Bαβ).G( U_\alpha, U_\beta; B_{\alpha\beta} ).

暫記：

Uαβ=Uα∪BUβ.U_{\alpha\beta} = U_\alpha \cup_B U_\beta.

17. Gluing 不是普通 association

單一 edge：

x↔yx\leftrightarrow y

不一定足以稱為 domain gluing。

本文要求至少出現：

  1. cross-domain transition cost 下降；
  2. novel inference 可以跨 bridge 泛化；
  3. bridge removal 會破壞這種整合；
  4. 兩 domain 的局部行為或 representation 開始形成共享結構。

因此 Gluing 的候選判準為：

ΔKαβ<0\boxed{ \Delta K_{\alpha\beta}<0 }

且：

ΔIαβ>0,\boxed{ \Delta I_{\alpha\beta}>0, }

其中：

IαβI_{\alpha\beta}

表示 cross-domain inference capacity。

18. Gluing 與 Compositionality

2026 年《Nature》研究顯示，猴子執行多個 compositionally related tasks 時，可跨 tasks 重用共享 neural subspaces，並依 internal belief flexibly engage task-relevant sensory / motor subspaces。

這提供一個非常重要的鄰接事實：

different tasks can share reusable representational components.\boxed{ \text{different tasks can share reusable representational components}. }

但共享 component 不等於 gluing。

TADC 的 Gluing 需要進一步證明：

shared representation→new cross-domain accessibility.\text{shared representation} \rightarrow \text{new cross-domain accessibility}.

19. Gluing 與 Chunking

2024 年 working-memory / Hebb-effect 研究顯示，當重複結構透過 grouping 變得可辨識時，long-term chunk formation 會更靈活。

這支持：

grouping can influence what becomes a unified functional representation.\boxed{ \text{grouping can influence what becomes a unified functional representation}. }

若：

x1,x2,…,xnx_1,x_2,\ldots,x_n

被形成：

z=[x1,…,xn],z=[x_1,\ldots,x_n],

這可以看成一種 local gluing：

G(x1,…,xn)=z.G( x_1,\ldots,x_n ) = z.

但 chunking theory 本身可能已完全足夠。

所以 TADC 必須證明「gluing」提供額外預測，否則就應回到 chunking terminology。

20. 算子五：Detachment (D)

Gluing 的反操作不應簡單叫 deletion。

因為認知系統常需要：

保留兩個知識區域，但解除它們之間的過強耦合。

因此定義 Detachment：

若：

BαβB_{\alpha\beta}

是：

UαU_\alpha

與：

UβU_\beta

間的 bridge set，

則：

D:κ(Bαβ)↓.D: \kappa(B_{\alpha\beta}) \downarrow.

在強版本：

Bαβ⊆RtB_{\alpha\beta} \subseteq \mathcal R_t

被移除：

Bαβ⊈Rt+1.B_{\alpha\beta} \not\subseteq \mathcal R_{t+1}.

21. Detachment 不等於忘掉內容

假設：

UαU_\alpha

和：

UβU_\beta

仍完整存在：

Uα,Uβ⊆Xt+1.U_\alpha,U_\beta\subseteq X_{t+1}.

只是：

κ(Uα,Uβ)↓.\kappa(U_\alpha,U_\beta) \downarrow.

這可以表示：

  • 發現原 analogy 無效；
  • 修正錯誤因果關係；
  • context separation；
  • pattern separation；
  • 消除 interference；
  • 把過度 generalization 拆開。

因此：

D=decoupling,\boxed{ D = \text{decoupling}, }

不是：

D=memory deletion.\boxed{ D = \text{memory deletion}. }

22. Detachment 與 Cognitive Differentiation

學習早期，兩個 contexts 可能共享大量表示：

UA≈UB.U_A\approx U_B.

隨著熟練：

UAU_A

與：

UBU_B

逐漸形成 task-specific conjunctive representations。

這可以候選地描述為：

D(UA,UB)D(U_A,U_B)

增加。

2025 年 compositional-to-conjunctive task-learning 研究與 practice reshaping representational geometry 的結果都與這種 specialization / differentiation 相容。

但同樣：

differentiation evidence≠Detachment primitive proven.\boxed{ \text{differentiation evidence} \neq \text{Detachment primitive proven}. }

23. 算子六：Re-indexing (R)

Re-indexing 是整套系統中最容易被誤解的一個。

假設：

D={x1,x2,…,xn}.D = \{x_1,x_2,\ldots,x_n\}.

在高解析度：

Rfine(D)={x1,…,xn}.R_{\mathrm{fine}}(D) = \{x_1,\ldots,x_n\}.

在粗解析度：

Rcoarse(D)=zD.R_{\mathrm{coarse}}(D) = z_D.

也就是：

a domain becomes one object.\boxed{ \text{a domain becomes one object}. }

反過來：

zD→Dz_D \rightarrow D

則：

an object unfolds into a domain.\boxed{ \text{an object unfolds into a domain}. }

24. Re-indexing 不必改變底層結構

這一點要非常嚴格。

可能：

R\mathcal R

完全沒改變。

只改：

ϕ\phi

和：

λ.\lambda.

所以：

R⇏structural transformation.\boxed{ R \not\Rightarrow \text{structural transformation}. }

它可以只是：

representational coarse-graining / refinement.\boxed{ \text{representational coarse-graining / refinement}. }

25. Re-indexing 與 Hierarchical Control

2026 年 hierarchical cognitive-control 研究將 abstract context reconfiguration 與 subordinate task-set reconfiguration 分開，顯示不同階層具有不同 neural reconfiguration 與 behavioral costs。

這提供：

different levels of task representation are behaviorally and neurally distinguishable.\boxed{ \text{different levels of task representation are behaviorally and neurally distinguishable}. }

TADC 的更強命題是：

cognition 是否能把原本的 lower-level structure 壓成一個 high-level unit，再按需要展開？

這需要另外的 re-indexing experiment。

26. Re-indexing 與 Nested Cognitive Maps

2025 年 nested-space cognitive-map 研究顯示：

subspace⊂larger space\text{subspace} \subset \text{larger space}

具有可辨認的 hierarchical organization。

這讓：

domain-as-object\boxed{ \text{domain-as-object} }

不再只是純哲學想像。

但是 spatial subspace representation 仍不是一般 cognition 的 re-indexing 證明。

27. 六算子的最小形式

把六個算子集中：

Expansion

E:(X,R,κ)↦(X′,R′,κ′)E: (X,\mathcal R,\kappa) \mapsto (X',\mathcal R',\kappa')

其中候選：

X⊆X′X\subseteq X'

或：

Reach⁡(X)⊂Reach⁡(X′).\operatorname{Reach}(X) \subset \operatorname{Reach}(X').

Contraction

C:(X,R,κ)↦(X′,R′,κ′)C: (X,\mathcal R,\kappa) \mapsto (X',\mathcal R',\kappa')

其中：

X′⊆XX'\subseteq X

或可達區域縮小。

Traversal

T:(x,C)↦(y,C).T: (x,\mathcal C) \mapsto (y,\mathcal C).

Gluing

G:(U,V)↦U∪BV.G: (U,V) \mapsto U\cup_BV.

Detachment

D:(U∪BV)↦(U,V)D: (U\cup_BV) \mapsto (U,V)

或更弱：

κ(B)↓.\kappa(B)\downarrow.

Re-indexing

Rλ:A(λ1)↦A(λ2).R_\lambda: \mathfrak A^{(\lambda_1)} \mapsto \mathfrak A^{(\lambda_2)}.

28. Identity Operator

加入：

I:C↦C.I: \mathcal C \mapsto \mathcal C.

這不是第七個 cognitive operator，

而是數學上的 no-op reference。

任何 candidate operator：

OO

應滿足：

I∘O=O∘I=O.I\circ O = O\circ I = O.

這讓後續 operator algebra 有基準。

29. 算子一般不是可逆的

例如：

C(E(U))C(E(U))

不保證回到：

U.U.

因為 expansion 後可能形成新 relation：

R′.\mathcal R'.

即使把新增 objects 移除，

原 domain internal weights 已可能改變。

因此：

C≠E−1\boxed{ C\neq E^{-1} }

一般成立。

同樣：

D≠G−1.D\neq G^{-1}.

30. Non-commutativity Conjecture

本文提出：

Operator Non-Commutativity Conjecture（ONC）

對至少部分：

Oi,Oj∈O,O_i,O_j\in\mathcal O,

有：

Oi∘Oj≠Oj∘Oi.\boxed{ O_i\circ O_j \neq O_j\circ O_i. }

例如：

E∘C≠C∘E.E\circ C \neq C\circ E.

先砍掉低 relevance 分支，再展開：

C→EC\rightarrow E

與先廣泛探索再收斂：

E→CE\rightarrow C

可能得到不同結果。

31. Gluing / Detachment 也可能非交換

先：

G(U,V)G(U,V)

建立 shared schema，

再：

DD

切斷某個錯誤 bridge，

可能保留其他 shared structure。

而先：

DD

解除原有關係，

再：

GG

可能形成完全不同 bridge。

因此：

D∘G≠G∘D.\boxed{ D\circ G \neq G\circ D. }

32. Re-indexing 會改變其他算子的結果

在 coarse scale：

Rc(U)=z.R_c(U)=z.

若直接 Expansion：

E(z)E(z)

可能只找到 domain-level neighbors。

但在 fine scale：

Rf(z)={x1,…,xn},R_f(z)=\{x_1,\ldots,x_n\},

再：

EE

可能從某個：

xix_i

找到新的局部 bridge。

因此：

E∘Rc≠Rc∘E\boxed{ E\circ R_c \neq R_c\circ E }

在一般情況成立。

也就是：

what you can discover depends on resolution.\boxed{ \text{what you can discover depends on resolution}. }

33. Path Dependence

若：

ω1=E∘G∘C,\omega_1 = E\circ G\circ C,

而：

ω2=C∘G∘E,\omega_2 = C\circ G\circ E,

即使：

ω1\omega_1

與：

ω2\omega_2

使用相同算子集合，

仍可能：

ω1(C0)≠ω2(C0).\omega_1(\mathcal C_0) \neq \omega_2(\mathcal C_0).

因此 cognition state 不只取決於：

{E,G,C},\{E,G,C\},

還取決於：

operator order.\boxed{ \text{operator order}. }

34. History Dependence

更強地：

Ct+1=Φ(Ct,Ot,Ht),\mathcal C_{t+1} = \Phi( \mathcal C_t, O_t, H_t ),

其中：

Ht=(O1,O2,…,Ot−1)H_t = (O_1,O_2,\ldots,O_{t-1})

是 operation history。

如果：

Ct(1)=Ct(2)\mathcal C_t^{(1)} = \mathcal C_t^{(2)}

表面狀態相同，

但不同 history：

Ht(1)≠Ht(2)H_t^{(1)} \neq H_t^{(2)}

導致：

Ct+1(1)≠Ct+1(2),\mathcal C_{t+1}^{(1)} \neq \mathcal C_{t+1}^{(2)},

則存在：

cognitive hysteresis.\boxed{ \text{cognitive hysteresis}. }

這是未來非常值得測的強命題。

35. Cognitive Hysteresis

例如一個 relation：

x↔yx\leftrightarrow y

曾經被強烈 Gluing，

之後 Detachment。

即使最後測得：

κ(x,y)\kappa(x,y)

回到 baseline，

未來再次暴露 bridge 時，

重新 Gluing 的速度可能比完全沒學過的人快。

也就是：

same observable state≠same latent history.\boxed{ \text{same observable state} \neq \text{same latent history}. }

這與 memory savings / relearning literature 可能高度相關，

但 TADC 必須避免把所有 savings 都重新命名成 hysteresis。

36. Operator Cost

每個算子都有成本：

KO.K_O.

例如：

KE=search + retrieval + evaluation cost,K_E = \text{search + retrieval + evaluation cost}, KC=selection + inhibition cost,K_C = \text{selection + inhibition cost}, KT=transition cost,K_T = \text{transition cost}, KG=integration + translation cost,K_G = \text{integration + translation cost}, KD=conflict resolution + unlearning / separation cost,K_D = \text{conflict resolution + unlearning / separation cost}, KR=abstraction / decomposition cost.K_R = \text{abstraction / decomposition cost}.

因此 cognition 不是只最大化可達空間。

更合理：

choose operator sequencesubject to cognitive cost.\boxed{ \text{choose operator sequence} \quad \text{subject to cognitive cost}. }

37. Operator Utility

定義：

U(Ot)=ΔVt−λKKOt,U(O_t) = \Delta V_t - \lambda_KK_{O_t},

其中：

ΔVt\Delta V_t

是 operator 對目前 goal 的 expected information / performance gain。

所以：

Ot∗=arg⁡max⁡OU(O).O_t^* = \arg\max_O U(O).

這只是一個 candidate control model。

若資料顯示 operator choice 與 utility 無關，

就需要別的 control mechanism。

38. Expansion–Contraction Cycle

一個自然的 search cycle：

E→E→C→T→E→C.E \rightarrow E \rightarrow C \rightarrow T \rightarrow E \rightarrow C.

前半：

increase possibility space.\text{increase possibility space}.

後半：

reduce candidate set.\text{reduce candidate set}.

這和 exploration–exploitation literature 有概念相似性，

但不是同義詞。

Expansion / Contraction 操作的是：

effective cognitive domain.\text{effective cognitive domain}.

exploration / exploitation 通常操作：

policy over actions / options.\text{policy over actions / options}.

兩者可交叉，

不能直接等同。

39. Gluing–Detachment Cycle

另一種：

G→T→G→D.G \rightarrow T \rightarrow G \rightarrow D.

先發現：

UA↔UB,U_A\leftrightarrow U_B,

利用 bridge 推理，

再發現某部分 analogy 不可靠，

因此：

D.D.

這表示：

cross-domain cognition≠ever-increasing integration.\boxed{ \text{cross-domain cognition} \neq \text{ever-increasing integration}. }

成熟系統也必須能拆掉錯誤整合。

40. Re-indexing–Traversal Cycle

在 high-level：

Rc→TR_c \rightarrow T

快速在 domains 間移動。

遇到問題：

RfR_f

把某 domain 展開，

在內部：

T→T→E,T\rightarrow T\rightarrow E,

完成後：

RcR_c

重新壓縮。

這提供一個候選解釋：

how cognition can switch rapidly at high level without processing every detail each time.\boxed{ \text{how cognition can switch rapidly at high level without processing every detail each time}. }

41. 與 Working Memory Chunking 的關係

2024 年 Musfeld 等人顯示：

當 repeated information 的 grouping 被做得更顯著，

long-term chunk formation 會更靈活。

這可以被 TADC 表示：

Grouping→G→Rc.\text{Grouping} \rightarrow G \rightarrow R_c.

即：

先把元素 Gluing，

再將整個 chunk Re-index 成一個 unit。

但如果：

chunking theory\text{chunking theory}

已能完整預測行為，

則 TADC 不應主張自己發現了新的機制。

TADC 的增量必須是：

同一套 operator language 能否跨 chunking、task reconfiguration、domain integration 與 resolution change 提供統一可測預測？

42. 與 Compositional Neural Subspaces 的關係

2026 Tafazoli 等人的研究顯示，shared neural subspaces 可跨多個 tasks 重用，並依 task belief flexibly engage。

對 TADC 而言，這提供：

reusable local representational components exist.\boxed{ \text{reusable local representational components exist}. }

若一個 task 是：

UA+UB+UCU_A+U_B+U_C

的 composition，

另一個 task：

UA+UD,U_A+U_D,

則：

GG

與：

RR

可能提供一種 coarse-grained operator description。

但 neural subspace composition 並不自動證明 cognitive domain gluing。

43. 與 Practice-Driven Geometry Change 的關係

2025 EEG study 顯示 practice 會重新塑造 task-tailored representational geometry；高階 context-specific conjunctions 的增強與 performance improvement、switch-cost reduction 相關。

這與：

C+D+R\boxed{ C + D + R }

可能相容：

  • Contraction：移除冗餘 dimensions；
  • Detachment：降低 cross-context interference；
  • Re-indexing：更高階 conjunctive state 成為有效 unit。

但這只是候選映射。

真正模型比較需要：

MstandardM_{\mathrm{standard}}

vs

MSOCTS.M_{\mathrm{SOCTS}}.

44. Operator Observables

為使六算子可測，定義候選 observable。

Expansion

Δ∣Reach⁡(k)∣>0.\Delta |\operatorname{Reach}^{(k)}|>0.

Contraction

Δ∣Reach⁡(k)∣<0.\Delta |\operatorname{Reach}^{(k)}|<0.

或 irrelevant-transition probability 降低。

Traversal

xi→xjx_i\rightarrow x_j

且 structural distance 不變。

Gluing

ΔKαβ<0,\Delta K_{\alpha\beta}<0, ΔIαβ>0.\Delta I_{\alpha\beta}>0.

Detachment

ΔKαβ>0\Delta K_{\alpha\beta}>0

對特定錯誤 / irrelevant bridge，

同時 within-domain performance 不下降。

Re-indexing

同一結構在不同 task conditions 下：

unit-level representation↔substructure-level representation.\text{unit-level representation} \leftrightarrow \text{substructure-level representation}.

45. Operator Identification Problem

給一條行為 trajectory：

Y=(y1,…,yT),Y = (y_1,\ldots,y_T),

我們想反推：

ω=(O1,…,On).\omega = (O_1,\ldots,O_n).

也就是：

P(ω∣Y).P( \omega \mid Y ).

如果多個 operator sequences 都能產生相同資料：

P(ω1∣Y)≈P(ω2∣Y),P(\omega_1\mid Y) \approx P(\omega_2\mid Y),

則 operator identification 不可辨識。

因此未來實驗必須主動設計：

operator-discriminating conditions.\boxed{ \text{operator-discriminating conditions}. }

46. 實驗一：Expansion vs Traversal

建立固定 graph：

G0.\mathcal G_0.

Condition T：

participant 只能在已知 edges 上 navigation。

Condition E：

提供相同 exposure，但要求尋找 latent relation / novel bridge。

之後比較：

Reach⁡(k).\operatorname{Reach}^{(k)}.

若 E condition 只增加已知 node activation，

而沒有新 route / inference，

則只是 Traversal / Reweighting。

47. 實驗二：Contraction

給一個含大量 irrelevant relations 的 task graph。

要求 participants 在訓練後快速完成 specific goal。

若 effective transitions：

P(irrelevant path)↓P(\text{irrelevant path}) \downarrow

而：

P(goal path)↑,P(\text{goal path}) \uparrow,

可以估計 Contraction。

但需要與：

simple inhibition\text{simple inhibition}

模型競爭。

48. 實驗三：Gluing

先獨立學：

UA,UB.U_A,U_B.

兩者 exposure 相同。

Experimental group 額外注意：

BAB.B_{AB}.

Control group 看過 bridge stimuli，

但不處理其 relational role。

之後測：

  • cross-domain inference；
  • spontaneous transition；
  • transfer；
  • neural / behavioral similarity geometry。

如果：

Grel>Gexposure,G_{\mathrm{rel}} > G_{\mathrm{exposure}},

支持 attention-mediated Gluing。

49. 實驗四：Detachment

先人工建立：

UA↔UBU_A\leftrightarrow U_B

的 association。

接著提供 evidence：

RABR_{AB}

只在 context：

C1C_1

有效，

在：

C2C_2

無效。

測 participants 是否能：

DC2D_{C_2}

而保留：

GC1.G_{C_1}.

這是一個非常強的 test：

context-selective detachment.\boxed{ \text{context-selective detachment}. }

50. 實驗五：Re-indexing

使用 hierarchical graph：

xijk.x_{ijk}.

要求在不同 blocks 中：

  1. item-level decision；
  2. cluster-level decision；
  3. meta-cluster decision。

測：

  • representational geometry；
  • RT；
  • switch costs；
  • decoding level；
  • transfer。

若同一 representation 可隨 instruction：

x↔Uxx \leftrightarrow U_x

切換 object / domain role，

支持 Re-indexing。

51. 實驗六：Non-commutativity

建立兩組。

Group 1：

E→C.E\rightarrow C.

Group 2：

C→E.C\rightarrow E.

兩組：

  • total exposure；
  • task time；
  • stimuli；
  • reward；

全部匹配。

若終態：

CEC≠CCE,\mathcal C_{EC} \neq \mathcal C_{CE},

且差異可重現，

支持：

EC≠CE.\boxed{ EC\neq CE. }

52. 實驗七：Operator History / Hysteresis

兩組最後都訓練到：

κAB=κ0.\kappa_{AB}=\kappa_0.

但：

Group 1 曾經：

G→D.G\rightarrow D.

Group 2 從未 Gluing。

再次暴露 bridge：

BAB.B_{AB}.

若：

τre−glue(1)<τglue(2),\tau_{\mathrm{re-glue}}^{(1)} < \tau_{\mathrm{glue}}^{(2)},

說明相同 observable state 下 history 仍影響動態。

這可支持 hysteresis，

但必須與 savings / latent memory models 比較。

53. 七個可證偽命題

SOCTS-H1 — Expansion Distinct from Traversal

存在條件使：

ΔReach⁡(k)>0\Delta\operatorname{Reach}^{(k)}>0

不能由固定 graph traversal 解釋。

SOCTS-H2 — Contraction Is Structured

Contraction 應 preferentially 移除 low-goal-value paths，

不是全局 activation 下降。

SOCTS-H3 — Gluing Produces Transfer

Gluing 必須增加：

novel cross-domain inference,\text{novel cross-domain inference},

不只是 pairwise familiarity。

SOCTS-H4 — Detachment Can Be Selective

錯誤 bridge 可降低，

但其 constituent domains 仍保持可用。

SOCTS-H5 — Re-indexing Changes Effective Objecthood

同一結構可依 resolution 表現：

object↔domain.\text{object} \leftrightarrow \text{domain}.

SOCTS-H6 — Operator Order Matters

至少一組：

OiOj≠OjOi.O_iO_j\neq O_jO_i.

SOCTS-H7 — Operator Model Adds Prediction

SOCTS 對 unseen behavior / neural data 的預測：

PSOCTSP_{\mathrm{SOCTS}}

必須優於更簡單：

  • activation；
  • task-switch；
  • learning；
  • chunking；
  • semantic association；

模型。

54. 何種結果會使六算子失敗？

F1 — Operators Collapse

若：

E,C,G,DE,C,G,D

都可化約為：

one generic weight-update operator,\text{one generic weight-update operator},

六算子過度細分。

F2 — Traversal Is Enough

若所有 apparent structural change 都能由：

fixed graph + traversal + reweighting\text{fixed graph + traversal + reweighting}

解釋，

ASTC-S 與 SOCTS structural operators 不成立。

F3 — Gluing Adds Nothing Beyond Association / Chunking

若：

GG

沒有額外 predictive signature，

直接用：

association / chunking\text{association / chunking}

即可。

F4 — Detachment Adds Nothing Beyond Inhibition / Extinction

若：

DD

無法和 inhibition、extinction、context gating 分離，

應刪除。

F5 — Re-indexing Is Analyst-Only

如果「object ↔ domain」只存在於研究者重新畫圖，

participants 沒有行為 / neural evidence，

則：

RR

不是 cognitive operator。

F6 — Operator Order Does Not Matter

若所有 operator pairs 都近似交換：

OiOj≈OjOi,O_iO_j \approx O_jO_i,

那麼非交換 operator algebra 沒有必要。

F7 — History Adds No Information

若：

P(Ct+1∣Ct,Ht)=P(Ct+1∣Ct),P( \mathcal C_{t+1} \mid \mathcal C_t,H_t ) = P( \mathcal C_{t+1} \mid \mathcal C_t ),

則 history dependence / hysteresis 應放棄。

55. 六算子與注意力的關係

一個關鍵修正：

TADC operator≠attention itself.\boxed{ \text{TADC operator} \neq \text{attention itself}. }

注意 configuration：

ata_t

比較像控制變量。

算子：

OtO_t

是 state-space operation。

所以可以寫：

P(Ot∣at,Gt,mt,et).P(O_t\mid a_t,G_t,m_t,e_t).

注意可能：

  • 提高某 operator 被選中的概率；
  • 改變 operator 的作用強度；
  • 改變 operator target；
  • 改變停止條件。

因此：

attention controls transformations; it need not be identical to them.\boxed{ \text{attention controls transformations; it need not be identical to them}. }

56. Operator Target

每個 operator 還需要 target：

Ot[Ωt].O_t[\Omega_t].

例如：

E[UA],E[U_A], C[UB],C[U_B], G[UA,UC],G[U_A,U_C], D[BAB],D[B_{AB}], R[UD,λ].R[U_D,\lambda].

所以完整 action：

at=(Ot,Ωt,ηt),a_t = (O_t,\Omega_t,\eta_t),

其中：

ηt\eta_t

是 operator intensity / threshold。

57. Operator Stopping Rule

沒有停止條件的 Expansion：

E∞E^\infty

不合理。

因此每個 operator 要有：

SO.S_O.

例如 Expansion：

SE:ΔI<ϵS_E: \Delta I < \epsilon

停止。

Contraction：

SC:Pgoal≥θ.S_C: P_{\mathrm{goal}} \geq \theta.

Gluing：

SG:Kαβ≤K∗.S_G: K_{\alpha\beta} \leq K^*.

Detachment：

SD:false-transfer rate≤ϵ.S_D: \text{false-transfer rate} \leq \epsilon.

這讓 SOCTS 更接近可執行控制模型。

58. Operator Budget

給定總認知資源：

B.B.

operator sequence 需滿足：

∑tKOt≤B.\sum_t K_{O_t} \leq B.

因此：

cognitive strategy=operator planning under budget.\boxed{ \text{cognitive strategy} = \text{operator planning under budget}. }

這可能與 bounded rationality、resource-rational cognition 接軌，

但本文暫不主張等價。

59. Attention Topology as Operator-Induced Structure

若未來真的能建立拓樸語言，

則拓樸可能不是固定給定：

(X,τ).(X,\tau).

而可能由 operator history 生成：

τt=Γ(O1:t,Gt,mt,et).\tau_t = \Gamma( O_{1:t}, G_t, m_t, e_t ).

也就是：

topology as an induced history-dependent structure.\boxed{ \text{topology as an induced history-dependent structure}. }

這是 TADC 比固定 cognitive-map model 更激進的地方。

目前仍只是強猜想。

60. Operator Invariants

真正的拓樸研究最終不能只看變化，

還要問：

什麼在變化中保持？

候選 invariant：

  • task goal identity；
  • relational motif；
  • causal ordering；
  • component count；
  • bridge role；
  • equivalence class；
  • high-level solution structure。

若：

RR

改變解析度，

但某 structural relation：

I(C)I(\mathcal C)

保持：

I(R(C))=I(C),I( R(\mathcal C) ) = I(\mathcal C),

這才開始接近真正的 invariant。

TADC-04 會從 observation scale 進一步處理這件事。

61. 六算子並不保證完整

SOCTS 目前的 completeness 只是：

working completeness,\boxed{ \text{working completeness}, }

不是 theorem。

未來可能需要：

Duplication

Q(U)=U(1)+U(2)Q(U) = U^{(1)}+U^{(2)}

同一 structure 被複製到不同 context。

Rotation / Reparameterization

不改 domain membership，

只改 internal coordinate basis。

Fusion

比 Gluing 更強，

兩 domain 形成不可再分的新 unit。

Forgetting / Decay

非目標導向、非 operator-controlled 的自然消退。

因此：

O={E,C,T,G,D,R}\boxed{ \mathcal O = \{E,C,T,G,D,R\} }

目前只是最小候選集。

62. 為什麼先保留六個？

因為它們對應六個不同問題：

  1. Expansion： 還能把什麼納入？
  2. Contraction： 目前應排除什麼？
  3. Traversal： 在既有關係中往哪走？
  4. Gluing： 哪些區域應建立橋樑？
  5. Detachment： 哪些橋樑應拆除？
  6. Re-indexing： 現在應把什麼視為「一個單位」？

這六個問題同時涉及：

search,selection,movement,integration,separation,scale.\boxed{ \text{search}, \text{selection}, \text{movement}, \text{integration}, \text{separation}, \text{scale}. }

它們至少構成一個具有研究價值的操作基底。

63. 與前兩篇的統一

TADC-01 問：

Can cognitive accessibility structure change?\boxed{ \text{Can cognitive accessibility structure change?} }

TADC-02 問：

Can effective domains be dynamically induced?\boxed{ \text{Can effective domains be dynamically induced?} }

TADC-03 現在問：

By which candidate operations can such change occur?\boxed{ \text{By which candidate operations can such change occur?} }

所以三篇合起來：

Ct⟶OCt+1\boxed{ \mathcal C_t \overset{\mathcal O}{\longrightarrow} \mathcal C_{t+1} }

以及：

At⟶OAt+1.\boxed{ \mathfrak A_t \overset{\mathcal O}{\longrightarrow} \mathfrak A_{t+1}. }

64. 最小動力學

定義 operator selector：

πt=π(Ot∣Ct,Gt,at,mt,et,Bt).\pi_t = \pi( O_t \mid \mathcal C_t, G_t, a_t, m_t, e_t, B_t ).

狀態更新：

Ct+1=Ot[Ωt;ηt](Ct).\mathcal C_{t+1} = O_t[ \Omega_t; \eta_t ] ( \mathcal C_t ).

其中：

  • OtO_t：operator type；
  • Ωt\Omega_t：target；
  • ηt\eta_t：strength / threshold；
  • BtB_t：resource budget。

因此完整最小模型：

Ot∼π(⋅∣Ct,Gt,at,mt,et,Bt)\boxed{ O_t \sim \pi( \cdot \mid \mathcal C_t,G_t,a_t,m_t,e_t,B_t ) } Ct+1=Ot(Ct).\boxed{ \mathcal C_{t+1} = O_t( \mathcal C_t ). }

65. Operator Sequence as Cognitive Strategy

一條完整策略：

Σ=(O1,Ω1,η1;…;On,Ωn,ηn).\Sigma = ( O_1,\Omega_1,\eta_1; \ldots; O_n,\Omega_n,\eta_n ).

因此兩個人即使具有：

C0(1)=C0(2)\mathcal C_0^{(1)} = \mathcal C_0^{(2)}

也可能因：

Σ1≠Σ2\Sigma_1 \neq \Sigma_2

得到：

Cf(1)≠Cf(2).\mathcal C_f^{(1)} \neq \mathcal C_f^{(2)}.

這讓「認知風格」有一種新的候選形式：

cognitive style=distribution over operator policies.\boxed{ \text{cognitive style} = \text{distribution over operator policies}. }

但本文不進一步做人群分類。

66. 結論

本文建立：

SOCTS\boxed{ \textbf{SOCTS} }

即：

Six-Operator Cognitive Transformation System。

六個候選算子為：

O={E,C,T,G,D,R}.\boxed{ \mathcal O = \{ E,C,T,G,D,R \}. }

分別表示：

Expansion\boxed{ \text{Expansion} } Contraction\boxed{ \text{Contraction} } Traversal\boxed{ \text{Traversal} } Gluing\boxed{ \text{Gluing} } Detachment\boxed{ \text{Detachment} } Re-indexing.\boxed{ \text{Re-indexing}. }

本文最重要的三個限制是：

第一：

not every operator changes topology.\boxed{ \text{not every operator changes topology}. }

Traversal 可以完全存在於固定空間中；

Re-indexing 也可能只改表示尺度。

第二：

operators are candidate descriptions, not proven neural primitives.\boxed{ \text{operators are candidate descriptions, not proven neural primitives}. }

如果 learning、chunking、task switching、inhibition、semantic association 等傳統模型就足夠，

SOCTS 應被壓縮。

第三：

operator order may matter.\boxed{ \text{operator order may matter}. }

本文因此提出：

OiOj≠OjOi\boxed{ O_iO_j \neq O_jO_i }

的 Operator Non-Commutativity Conjecture，

以及：

Ct+1=Φ(Ct,Ot,Ht)\boxed{ \mathcal C_{t+1} = \Phi( \mathcal C_t, O_t, H_t ) }

的 history dependence / cognitive hysteresis 猜想。

若這些命題成立，

注意力研究就不只需要描述：

現在注意哪個對象？

還需要描述：

現在對認知空間執行哪一種操作？

而一個完整高階認知 episode，

可能不是：

x1→x2→x3,x_1\rightarrow x_2\rightarrow x_3,

而是：

E→T→G→R→C→D→E→⋯\boxed{ E \rightarrow T \rightarrow G \rightarrow R \rightarrow C \rightarrow D \rightarrow E \rightarrow\cdots }

所生成的一條歷史依賴結構演化。

這就是 TADC-03 對前兩篇的真正推進。

參考文獻

  1. Leach SC, Chen X, Hwang K. Hierarchical Reconfiguration of Neurocognitive Task Set Representations Mediates Cognitive Flexibility. Journal of Neuroscience. 2026. doi:10.1523/JNEUROSCI.0113-26.2026. PMID: 42276789.
  2. Tafazoli S, Bouchacourt FM, Ardalan A, et al. Building compositional tasks with shared neural subspaces. Nature. 2026;650(8100):164–172. doi:10.1038/s41586-025-09805-2. PMID: 41299181.
  3. Mill RD, Cole MW. Dynamically shifting from compositional to conjunctive brain representations supports cognitive task learning. Nature Communications. 2025;16:10084. doi:10.1038/s41467-025-65041-2. PMID: 41253771.
  4. Musfeld P, Dutli J, Oberauer K, Bartsch LM. Grouping in working memory guides chunk formation in long-term memory: Evidence from the Hebb effect. Cognition. 2024;248:105795. doi:10.1016/j.cognition.2024.105795. PMID: 38669793.
  5. Greco A, Moser J, Preissl H, Siegel M. Predictive learning shapes the representational geometry of the human brain. Nature Communications. 2024;15:9670. doi:10.1038/s41467-024-54032-4. PMID: 39516221.
  6. Peer M, Epstein RA. Cognitive maps for hierarchical spaces in the human brain. Cerebral Cortex. 2025;35(9):bhaf261. doi:10.1093/cercor/bhaf261. PMID: 40982478.
  7. Tan L, Qiu Y, Qiu L, et al. The medial and lateral orbitofrontal cortex jointly represent the cognitive map of task space. Communications Biology. 2025;8:163. doi:10.1038/s42003-025-07588-w. PMID: 39900714.
  8. Qiu Y, Li H, Liao J, et al. Forming cognitive maps for abstract spaces: the roles of the human hippocampus and orbitofrontal cortex. Communications Biology. 2024;7:517. doi:10.1038/s42003-024-06214-5. PMID: 38693344.
  9. Bhandari A, et al. Practice reshapes the geometry and dynamics of task-tailored representations. Cerebral Cortex. 2025;35(8):bhaf125. PMID: 40882180.
  10. Baram AB, Nili H, Barreiros I, et al. An abstract relational map emerges in the human medial prefrontal cortex with consolidation. Current Biology. 2026;36(13):3315–3325.e4. PMID: 42341750.
  11. Qiu Y, et al. Dynamic changes in orbitofrontal-hippocampal connectivity linked to cognitive map formation in humans. NeuroImage. 2025;121415. PMID: 40780573.
  12. Garvert MM, Dolan RJ, Behrens TEJ. A map of abstract relational knowledge in the human hippocampal-entorhinal cortex. eLife. 2017;6:e17086. doi:10.7554/eLife.17086.
  13. Park SA, Miller DS, Nili H, Ranganath C, Boorman ED. Map Making: Constructing, Combining, and Inferring on Abstract Cognitive Maps. Neuron. 2020;107(6):1226–1238.e8. doi:10.1016/j.neuron.2020.06.030.
  14. Behrens TEJ, Muller TH, Whittington JCR, et al. What Is a Cognitive Map? Organizing Knowledge for Flexible Behavior. Neuron. 2018;100(2):490–509. doi:10.1016/j.neuron.2018.10.002.

與系列的關係

已完成：

  • TADC-01：《注意力不是單點選擇——可變認知空間與注意—空間轉換猜想》
  • TADC-02：《動態認知域——領域作為局部座標圖》
  • TADC-03：《拓樸注意力六算子——展開、收斂、遍歷、黏合、切離與重索引》

下一篇：

  • TADC-04：《嵌套注意域與觀察尺度》

後續：

  • TADC-05：《從單點超專注到拓樸超專注》
  • TADC-06：《關係優先認知與跨域連續性》
  • TADC-07：《外部認知支架與人—AI 認知拓樸》
  • TADC-08：《拓樸注意力的測量、反證與工程化》

狀態： TADC-03 v0.1
原始人體／臨床數據： 無
理論狀態： 猜想／研究綱領；未經實驗驗證
算子狀態： 候選形式操作；尚未證明為完備、獨立或神經 primitive
拓樸狀態： 尚未建立嚴格 topological operator algebra