动态二次特征筛选算法

动态二次特征筛选算法（Dynamic Secondary Feature Filtering Algorithm）

在 HY-Ego 系统中，由于动态二次特征采用穷举法生成，数量会快速增长（轻易达到数百甚至上千）。大部分在实际运行中很快变得无意义（长期恒为 0 或纯噪声）。以下提供一个分阶段、可渐进实现的筛选算法体系，从最简单到最智能，逐步实现系统自我精炼。

阶段一：基础统计筛选（立即可落地，推荐最先实现）

目标：快速过滤掉明显无效的动态二次特征（永不为非零、变化太微弱）

核心指标（每个动态二次特征独立维护一个小型统计器）：

指标	计算方式	筛选规则
非零出现次数	count_non_zero	< 3 次 → 候选淘汰
非零占比	count_non_zero / total_updates	< 0.01（1%）→ 候选淘汰
最长连续零序列	max_consecutive_zeros	> 300 秒（或 3000 帧）→ 候选淘汰
方差 / 信息熵	variance of {1,0,-1} 序列	< 0.05 → 候选淘汰（几乎不变）
最近非零时间	last_non_zero_time	now - last > 600 秒 → 标记为“休眠”

实现方式：

• 在动态二次特征类中嵌入一个轻量 struct Statistics { … };
• 每更新一次三值，就更新统计。
• 每 60 秒或每 1000 次更新，遍历所有动态二次特征，符合任意 2 条以上淘汰规则 → 标记为 inactive 或直接删除。

效果：可快速将 80%-90% 的无效特征清除，系统负担立即下降。

阶段二：有效性评分筛选（中短期，强烈推荐）

目标：不止看“活跃度”，还要看“有用度”——是否真正参与过系统的重要过程。

引入一个有效性分数（utility_score），初始为 0，范围 [0, 100]。

分数提升事件（可根据项目实际调整权重）：

事件	分数增量	说明
该二次特征变为非零，且同期有新需求生成	+10	可能预示环境变化引发需求
该二次特征参与因果链构建（被因果引擎引用）	+15	最强信号：它解释了某个事件
该二次特征被用于需求评估（需求强度变化）	+8	影响内在驱动力
该二次特征稳定为 0，导致某个需求满足关闭	+20	最高价值：如“新建速率→0”导致观察需求结束
该二次特征与已确认的高价值事件序列匹配	+12	模式匹配成功

分数衰减：

• 每分钟 -0.1（自然遗忘）
• 连续 10 分钟为 0 → 额外 -5

筛选规则：

• utility_score < 5 → 标记 inactive
• utility_score < 1 → 可安全删除
• utility_score > 30 → 提升采样频率、优先存储

阶段三：元认知精炼（长期，自我进化）

目标：系统主动反思“哪些假设是多余的”

实现方式：

• 定期（每天或每万帧）生成一个“元统计存在”节点，记录：
  • 被删除的动态二次特征数量与类型
  • 保留的高分特征的共同模式
• 系统尝试生成关于“哪些动态比较容易被淘汰”的三级特征（对二次特征的二次特征）
• 进而调整穷举策略：降低低价值比较类型的生成概率（例如对背景静止物体的微小热漂移不再穷举）

推荐的起步实现（极简版 C++ 伪代码）

structDynamicSecondaryFeature{int8_tvalue_history[64];// 最近64次的三值，环形缓冲uint32_thead=0;uint32_ttotal_updates=0;uint32_tnon_zero_count=0;uint32_tmax_consecutive_zero=0;uint32_tcurrent_consecutive_zero=0;doublelast_non_zero_time=0.0;doubleutility_score=0.0;boolactive=true;voidupdate(int8_tnew_val,doublenow){if(!active)return;total_updates++;value_history[head]=new_val;head=(head+1)%64;if(new_val!=0){non_zero_count++;current_consecutive_zero=0;last_non_zero_time=now;// 可在此处触发事件提升 utility_score}else{current_consecutive_zero++;max_consecutive_zero=std::max(max_consecutive_zero,current_consecutive_zero);}}boolshould_deactivate(doublenow)const{if(!active)returntrue;doubleidle_time=now-last_non_zero_time;doublenon_zero_ratio=static_cast<double>(non_zero_count)/total_updates;return(non_zero_count<5)||(non_zero_ratio<0.01)||(idle_time>600.0)||(max_consecutive_zero>3000);}};

总结

动态二次特征筛选算法的核心理念是：

1. 先大胆穷举（允许大量无效特征诞生）
2. 用简单统计快速清理明显垃圾（阶段一）
3. 用系统运行中的实际效用逐步加权（阶段二）
4. 最终让系统学会“哪些假设不值得再提”（阶段三）

这正是生物大脑从海量突触到高效神经网络的进化路径。

先实现阶段一，你立刻就能看到特征爆炸被控制住；再加阶段二，系统会自己突出那些真正有意义的动态符号（如“发现速率归零”），观察需求自然关闭。

这个筛选机制做好后，HY-Ego 的动态世界模型才会从混沌走向清晰、从冗余走向智慧。