预测性记忆定位：从内部信号预测选择性干预路径

激活转向把定位到的表示转化为控制方向，但仅凭定位并不能揭示某个方向是否具有选择性的生效区间。我们提出预测性记忆定位（PML），把测得的网格化干预路径作为记忆定位的预测对象。PML 将随机校准的目标移动与语义邻域损伤及能力损伤区分开来，并以强度分离的低剂量因果响应比较静态定位与监督几何方法。我们的冻结研究覆盖来自九个数据集、十四个领域的 3,000 条记录，产生 30,000 条不同的记录-方向-层路径和 210,000 次不同的路径-强度评估。在第 7 层，由几何导出的 RFM/AGOP 方向达到 13.1% 的 target-any 和 12.3% 的 clean-any，在记录配对 bootstrap 下分别超过随机基线 3.6 和 3.4 个百分点。在按记录、数据集和领域分组的划分下，|α|=0.1 处的响应是预测不相交强度 |α|∈{0.25,0.5} 处结果的最强信号。在留出记录上，由预测器驱动的选择器选择一个系数或选择弃权，相较在训练上调优的固定强度策略提升了效用并降低了语义邻域损伤，同时避免了密集扫描中的大多数评估。在三个残差范数匹配的基础模型上，学习到的方向保留了选择性路径增益，低剂量响应取得 0.801-0.828 的记录留出宏平均 AUROC。因此，PML 把记忆定位转变为对边际层面选择性结果的可证伪预测和风险感知的干预决策。