FSRS Algorithmus:
Genetik der Erinnerung
Eine tiefe Analyse des datengetriebenen DSR-Modells und seiner 21 trainierbaren Parameter.
Die Evolution von SM-2 zu FSRS
Über Jahrzehnte dominierte der heuristische SuperMemo-2 (SM-2) Algorithmus die Lernsoftware. Seine signifikanten Schwächen umfassen die Unfähigkeit, sich dynamisch an die spezifische Neuroplastizität individueller Nutzer anzupassen.
Zudem führt SM-2 oft zum sogenannten „Ease Hell“, bei dem Lernkarten durch negative Bewertungen in endlosen Zyklen minimaler Intervalle gefangen bleiben[2]. FSRS verwirft diese starren Intervalle und implementiert eine stochastische, wahrscheinlichkeitsbasierte Architektur, die ursprünglich aus der Analyse von hunderten Millionen Review-Logs entstand[1].
Das DSR-Modell
Die dreidimensionale Ontologie des Gedächtnisses- Retrievability (R)
- Die stochastische Wahrscheinlichkeit, eine Information zu einem exakten Zeitpunkt abzurufen. Mathematisch ausgedrückt handelt es sich um eine reelle Zahl im Intervall $[0, 1]$, die oft als Prozentsatz kommuniziert wird. R verringert sich kontinuierlich über die Zeit.
- Stability (S)
- Das primäre Maß für die Speicherstärke im Langzeitgedächtnis. S ist exakt die Zeitdauer in Tagen, die erforderlich ist, damit R von initial 100% auf den Schwellenwert von exakt 90% abfällt[3].
- Difficulty (D)
- Beschreibt die inhärente Komplexität einer Information. Ein hoher D-Wert fungiert als algorithmischer Dämpfer, der sicherstellt, dass komplexe Sachverhalte in kürzeren Intervallen abgefragt werden.
Das 21-Parameter-Genom
Das „Genom“ des FSRS-6 besteht aus 21 trainierbaren Parametern ($w_0$ bis $w_{20}$), die durch stochastischen Gradientenabstieg an die Lernhistorie des Nutzers kalibriert werden[6].
| Gen-Cluster | Indizes | Funktion |
|---|---|---|
| Initialisierung | $w_0 - w_5$ | Determinieren die initialen DSR-Werte nach der allerersten Bewertung. |
| Difficulty-Modulation | $w_6 - w_7$ | Steuern die lineare Anpassung und die „Mean Reversion“, um das „Ease Hell“ zu verhindern. |
| SInc-Wachstum | $w_8 - w_{14}$ | Bilden die Parameter der SInc-Funktion und quantifizieren den Einfluss des Spacing-Effekts. |
| Kurzzeit & Retrievability | $w_{17} - w_{20}$ | Handhaben „Same-Day Reviews“ und die exakte Krümmung der Potenzfunktion ($w_{20}$). |
Maschinelles Lernen & Kalibrierung
FSRS formuliert die Intervallberechnung als binäre Klassifikationsaufgabe. Der Optimierer nutzt Stochastischen Gradientenabstieg (SGD), um die 21 Gene individuell an die reale Gehirnleistung anzupassen.
- Log Loss: Penalisiert algorithmische Fehlberechnungen extrem hart und erzwingt perfekte Kalibrierung.
- CMRR (Optimal Retention): Durch eine Simulation mittels Brent's Method findet FSRS die exakte Behaltensrate (oft 70%-85%), die den Lernaufwand minimiert.
| Algorithmus | RMSE Wert (niedriger ist besser) |
|---|---|
| FSRS v4 | 0.0452 |
| SuperMemo-2 (SM-2) | 0.0618 |
FSRS erzielt im Vergleich zu SM-2 konsistent die niedrigsten RMSE-Werte.