論文の概要: On Broken Symmetry in Cognition
- arxiv url: http://arxiv.org/abs/2303.06047v2
- Date: Thu, 12 Jun 2025 13:43:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 15:37:21.941836
- Title: On Broken Symmetry in Cognition
- Title（参考訳）: 認知におけるブローケン対称性について
- Authors: Xin Li,
- Abstract要約: この論文は、認知進化と発達は対称性を破る遷移によって展開すると主張している。
第一に、空間対称性は、両側のボディプランとグリッドやプレースセルのような神経コードによって破られる。
第三に、ゴール指向シミュレーションは内部の自己モデルと外部世界の対称性を破る。
- 参考スコア（独自算出の注目度）: 5.234742752529437
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Cognition is not passive data accumulation but the active resolution of uncertainty through symmetry breaking. This paper argues that both cognitive evolution and development unfold via sequential symmetry-breaking transitions that disrupt innate regularities across space, time, self, and representation. First, spatial symmetry is broken through bilateral body plans and neural codes like grid and place cells, which privilege egocentric orientation and localized encoding. Second, reinforcement learning introduces temporal asymmetry by favoring future rewards, establishing a directional flow of inference. Third, goal-directed simulation breaks spatiotemporal symmetry between internal self-models and the external world, enabling embodied inference and solving the combinatorial search problem. Fourth, social cognition via mentalizing and imitation breaks the symmetry between minds, allowing agents to infer others' beliefs. Finally, language imposes a linear, recursive structure onto unordered thought, breaking expressive symmetry through syntax and grammar. These asymmetries are unified by the Context-Content Uncertainty Principle (CCUP), which frames cognition as a cyclical entropy-minimizing process. At the core lies the principle of structure-before-specificity: ambiguous input is first mapped onto stable latent structures before being bound to specific instances. This promotes generalization, reduces sample complexity, and prevents overfitting. Inverting inference, from content back to context, further breaks the curse of dimensionality by constraining inference to goal-consistent manifolds. Thus, symmetry breaking is not incidental but the foundational mechanism by which cognition organizes, stabilizes, and scales intelligent behavior in an uncertain and dynamic world.
- Abstract（参考訳）: 認知は受動的データ蓄積ではなく、対称性の破れによる不確実性の能動的解決である。
この論文は、認知進化と発達は、空間、時間、自己、表現にまたがる自然正則性を乱す連続対称性を破る遷移によって展開すると主張している。
第一に、空間対称性は、二元体の計画とグリッドやプレース細胞のような神経コードによって破られる。
第二に、強化学習は将来の報酬を優先して時間的非対称性を導入し、推論の方向の流れを確立する。
第三に、ゴール指向シミュレーションは内部自己モデルと外界の間の時空間対称性を破り、具体的推論を可能にし、組合せ探索問題を解く。
第4に、メンタライゼーションと模倣による社会的認知は心の対称性を破り、エージェントが他人の信念を推測することを可能にする。
最後に、言語は順序のない思考に線形で再帰的な構造を課し、文法と文法を通して表現的対称性を破る。
これらの非対称性は、認知を循環的エントロピー最小化プロセスとみなすCCUP(Context-Content Uncertainty Principle)によって統一される。
あいまいな入力は、特定のインスタンスにバインドする前に、まず安定な潜在構造にマッピングされる。
これにより、一般化が促進され、サンプルの複雑さが減少し、オーバーフィッティングが防止される。
推論の逆転は、内容から文脈へ、推論をゴール整合多様体に制約することで次元性の呪いをさらに破る。
したがって、対称性の破れは偶然ではなく、認知が不確実でダイナミックな世界で知的な行動を組織化し、安定化し、拡張する基礎的なメカニズムである。
関連論文リスト
- BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。
本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
論文 参考訳（メタデータ） (2024-12-23T09:13:35Z) - NeuroBind: Towards Unified Multimodal Representations for Neural Signals [20.02503060795981]
脳波、fMRI、カルシウムイメージング、スパイキングデータを含む複数の脳信号タイプを統一する表現であるNeuroBindを提案する。
このアプローチは、神経科学研究の進展、AIシステムの改善、神経補綴学と脳-コンピュータインターフェースの開発において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2024-07-19T04:42:52Z) - Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。
ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。
本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
論文 参考訳（メタデータ） (2023-06-14T13:34:13Z) - Learning to Act through Evolution of Neural Diversity in Random Neural
Networks [9.387749254963595]
ほとんどの人工ニューラルネットワーク(ANN)では、神経計算は通常すべてのニューロン間で共有される活性化関数に抽象化される。
本稿では,複雑な計算を行うことができる多様なニューロンの集合を実現するために,神経中心パラメータの最適化を提案する。
論文 参考訳（メタデータ） (2023-05-25T11:33:04Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Towards NeuroAI: Introducing Neuronal Diversity into Artificial Neural
Networks [20.99799416963467]
ヒトの脳では、神経の多様性はあらゆる生物学的知的行動に有効である。
本稿では,まず,生物ニューロンの多様性と情報伝達・処理の特徴について論じる。
論文 参考訳（メタデータ） (2023-01-23T02:23:45Z) - Constraints on the design of neuromorphic circuits set by the properties
of neural population codes [61.15277741147157]
脳内では、情報はコード化され、伝達され、行動を伝えるために使用される。
ニューロモルフィック回路は、脳内のニューロンの集団が使用するものと互換性のある方法で情報を符号化する必要がある。
論文 参考訳（メタデータ） (2022-12-08T15:16:04Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - A Graph Neural Network Framework for Causal Inference in Brain Networks [0.3392372796177108]
神経科学における中心的な問題は、脳内の自律的な動的相互作用が、比較的静的なバックボーンにどのように現れるかである。
構造解剖学的レイアウトに基づく機能的相互作用を記述するグラフニューラルネットワーク(GNN)フレームワークを提案する。
我々は,GNNがデータの長期的依存関係をキャプチャし,大規模ネットワークの解析までスケールアップ可能であることを示す。
論文 参考訳（メタデータ） (2020-10-14T15:01:21Z)
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。