論文の概要: What is Memory? A Homological Perspective

• arxiv url: http://arxiv.org/abs/2303.04203v3
• Date: Mon, 20 Oct 2025 12:04:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:01.130926
• Title: What is Memory? A Homological Perspective
• Title（参考訳）: 記憶とは何か?
• Authors: Xin Li,
• Abstract要約: メモリのデルタホモロジーモデルを導入し、サイクル閉鎖からリコール、学習、予測を発生させる。 ディラックのようなメモリトレースは、スパースで既約の誘引子を表す非自明なホモロジージェネレータに対応する。 我々は、このメカニズムを、高エントロピー文脈変数と低エントロピー内容変数との結合不確実性を最小化する、コンテキスト-コンテンツ不確実性原理(CCUP)によって定式化する。
• 参考スコア（独自算出の注目度）: 6.0044467881527614
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We introduce the delta-homology model of memory, a unified framework in which recall, learning, and prediction emerge from cycle closure, the completion of topologically constrained trajectories within the brain's latent manifold. A Dirac-like memory trace corresponds to a nontrivial homology generator, representing a sparse, irreducible attractor that reactivates only when inference trajectories close upon themselves. In this view, memory is not a static attractor landscape but a topological process of recurrence, where structure arises through the stabilization of closed loops. Building on this principle, we represent spike-timing dynamics as spatiotemporal complexes, in which temporally consistent transitions among neurons form chain complexes supporting persistent activation cycles. These cycles are organized into cell posets, compact causal representations that encode overlapping and compositional memory traces. Within this construction, learning and recall correspond to cycle closure under contextual modulation: inference trajectories stabilize into nontrivial homology classes when both local synchrony (context) and global recurrence (content) are satisfied. We formalize this mechanism through the Context-Content Uncertainty Principle (CCUP), which states that cognition minimizes joint uncertainty between a high-entropy context variable and a low-entropy content variable. Synchronization acts as a context filter selecting coherent subnetworks, while recurrence acts as a content filter validating nontrivial cycles.
• Abstract（参考訳）: 我々は,記憶のデルタホモロジーモデルを導入する。これは,脳の潜在多様体内におけるトポロジ的に制約された軌道の完成であるサイクル閉鎖から,リコール,学習,予測を発生させる統一的なフレームワークである。 ディラックのようなメモリトレースは非自明なホモロジー生成器に対応し、推論軌跡がそれに近いときにのみ反応するスパースで既約の引き金を表現している。 この視点では、メモリは静的なアトラクションランドスケープではなく、閉ループの安定化によって構造が生じるトポロジカルな反復過程である。 この原理に基づいて、スパイク刺激ダイナミクスを時空間複合体として表現し、ニューロン間の時間的に一貫した遷移が持続的な活性化サイクルをサポートする鎖複合体を形成する。 これらのサイクルは、重複したメモリトレースと構成記憶トレースを符号化するコンパクトな因果表現であるセルポゼに編成される。 推論軌道は局所的同期(コンテキスト)と大域的再帰(コンテンツ)の両方を満たすとき、非自明なホモロジークラスに安定化する。 我々は、このメカニズムを、高エントロピー文脈変数と低エントロピー内容変数との結合不確実性を最小化する、コンテキスト-コンテンツ不確実性原理(CCUP)によって定式化する。 同期はコヒーレントサブネットワークを選択するコンテキストフィルタとして機能し、繰り返しは非自明なサイクルを検証するコンテンツフィルタとして機能する。

関連論文リスト

• Scaling Riemannian Diffusion Models [68.52820280448991]
  非自明な多様体上の高次元タスクにスケールできることを示す。 我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
  論文  参考訳（メタデータ） (2023-10-30T21:27:53Z)
• Shape And Structure Preserving Differential Privacy [70.08490462870144]
  正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。 また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
  論文  参考訳（メタデータ） (2022-09-21T18:14:38Z)
• Turing approximations, toric isometric embeddings & manifold convolutions [0.0]
  任意の位相と次元の多様体に対する畳み込み作用素を定義する。 1938年のアラン・チューリングの結果は、大域的な畳み込みの定義を達成するためにそのようなトーリック等尺的埋め込みアプローチの必要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2021-10-05T18:36:16Z)
• Statistical Mechanics of Neural Processing of Object Manifolds [3.4809730725241605]
  この論文は、物体の神経処理の計算理論の基礎を築いた。 多様体のキャパシティは,有効半径, R_M, 有効次元, D_Mと決定される。
  論文  参考訳（メタデータ） (2021-06-01T20:49:14Z)
• A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
  ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。 我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
  論文  参考訳（メタデータ） (2021-05-06T17:36:55Z)
• Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
  適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
  論文  参考訳（メタデータ） (2021-02-11T18:52:08Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)
• Disentangling by Subspace Diffusion [72.1895236605335]
  データ多様体の完全教師なし分解は、多様体の真の計量が知られている場合、可能であることを示す。 我々の研究は、教師なしメートル法学習が可能であるかどうかという問題を減らし、表現学習の幾何学的性質に関する統一的な洞察を提供する。
  論文  参考訳（メタデータ） (2020-06-23T13:33:19Z)
• Sample complexity and effective dimension for regression on manifolds [13.774258153124205]
  ヒルベルト空間法を再現したカーネルを用いた多様体上の回帰理論を考える。 多様体上の滑らかな函数のある空間は、多様体次元に応じて拡大する複雑性を持つ実効有限次元であることが示される。
  論文  参考訳（メタデータ） (2020-06-13T14:09:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。