预测性记忆定位（PML）是一种新的方法，它将测量网格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居和能力损害分离，并将静态定位和监督几何与低剂量因果响应进行比较。研究结果表明，在 3,000 条记录和 14 个领域中，PML 方法可以达到 13.1% 的目标任意和 12.3% 的干净任意，超过随机方法 3.6 和 3.4 个百分点。在记录、数据集和域分组中，$|\alpha|=0.1$ 的响应是最强的信号，用于预测不相交的强度 $|\alpha|\in\{0.25,0.5\}$ 的结果。预测器驱动的选择器可以选择系数或放弃，提高效用并降低语义邻居损害，避免大部分评估。在三个残基匹配的基准模型中，学习到的方向保留了选择性路径的收益，低剂量响应产生了 0.801-0.828 的记录外宏 AUROC。因此，PML 将记忆定位转化为可证伪的选择性结果预测和风险感知的干预决策。 博主点评： 本文提出了一种新的方法——预测性记忆定位，用于预测内部信号的选择性干预路径。这种方法可以有效地预测目标任意和干净任意的结果，并且在记录、数据集和域分组中表现出强大的信号。这种方法的应用前景广阔，尤其是在需要预测和干预的场景中。