論文の概要: SynEVO: A neuro-inspired spatiotemporal evolutional framework for cross-domain adaptation

• arxiv url: http://arxiv.org/abs/2505.16080v1
• Date: Wed, 21 May 2025 23:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.945406
• Title: SynEVO: A neuro-inspired spatiotemporal evolutional framework for cross-domain adaptation
• Title（参考訳）: SynEVO: クロスドメイン適応のための神経誘発時空間進化の枠組み
• Authors: Jiayue Liu, Zhongchao Yi, Zhengyang Zhou, Qihe Huang, Kuo Yang, Xu Wang, Yang Wang,
• Abstract要約: ドメイン間の知識を増やすための鍵は、集合的および時間的インテリジェンスモデルの進化を可能にすることである。 本稿では,SynEVOがモデル独立性を破り,ドメイン間知識の共有と集約を可能にするSynaptic EVOticネットワークを提案する。 実験により、SynEVOはクロスドメインシナリオのほとんどで一般化を改善することが示された。
• 参考スコア（独自算出の注目度）: 12.965961860022427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering regularities from spatiotemporal systems can benefit various scientific and social planning. Current spatiotemporal learners usually train an independent model from a specific source data that leads to limited transferability among sources, where even correlated tasks requires new design and training. The key towards increasing cross-domain knowledge is to enable collective intelligence and model evolution. In this paper, inspired by neuroscience theories, we theoretically derive the increased information boundary via learning cross-domain collective intelligence and propose a Synaptic EVOlutional spatiotemporal network, SynEVO, where SynEVO breaks the model independence and enables cross-domain knowledge to be shared and aggregated. Specifically, we first re-order the sample groups to imitate the human curriculum learning, and devise two complementary learners, elastic common container and task-independent extractor to allow model growth and task-wise commonality and personality disentanglement. Then an adaptive dynamic coupler with a new difference metric determines whether the new sample group should be incorporated into common container to achieve model evolution under various domains. Experiments show that SynEVO improves the generalization capacity by at most 42% under cross-domain scenarios and SynEVO provides a paradigm of NeuroAI for knowledge transfer and adaptation.
• Abstract（参考訳）: 時空間システムから規則性を明らかにすることは、様々な科学的・社会的計画に役立つ。 現在の時空間学習者は、通常、特定のソースデータから独立したモデルを訓練する。 ドメイン間の知識を増やすための鍵は、集合的な知性とモデルの進化を可能にすることである。 本稿では、神経科学理論にヒントを得て、クロスドメイン集団知能の学習を通じて情報境界の増大を理論的に導き、SynEVOがモデル独立性を破り、クロスドメイン知識の共有と集約を可能にするSynEVOを提案する。 具体的には、まず、人間のカリキュラム学習を模倣するためにサンプルグループを再注文し、2つの補完的な学習者、弾性共通容器とタスク非依存抽出器を考案し、モデルの成長とタスクワイドの共通性とパーソナリティのゆがみを許容する。 そして、新しい差分計量を持つ適応動的カプラにより、新しいサンプル群を共通容器に組み込んで、様々なドメイン下でのモデル進化を達成するか否かを判定する。 実験により、SynEVOはクロスドメインシナリオ下で少なくとも42%の一般化能力を改善し、SynEVOは知識伝達と適応のためのNeuroAIのパラダイムを提供する。

関連論文リスト

• UniSTD: Towards Unified Spatio-Temporal Learning across Diverse Disciplines [64.84631333071728]
  本稿では,時間的モデリングのためのトランスフォーマーベースの統合フレームワークであるbfUnistageを紹介する。 我々の研究は、タスク固有の視覚テキストが時間学習のための一般化可能なモデルを構築することができることを示した。 また、時間的ダイナミクスを明示的に組み込むための時間的モジュールも導入する。
  論文  参考訳（メタデータ） (2025-03-26T17:33:23Z)
• Neuron: Learning Context-Aware Evolving Representations for Zero-Shot Skeleton Action Recognition [64.56321246196859]
  本稿では,dUalスケルトン・セマンティック・セマンティック・セマンティック・セマンティック・シンジスティック・フレームワークを提案する。 まず、時空間進化型マイクロプロトタイプを構築し、動的コンテキスト認識側情報を統合する。 本研究では,空間的圧縮と時間的記憶機構を導入し,空間的時間的マイクロプロトタイプの成長を導く。
  論文  参考訳（メタデータ） (2024-11-18T05:16:11Z)
• RIGL: A Unified Reciprocal Approach for Tracing the Independent and Group Learning Processes [22.379764500005503]
  個人レベルとグループレベルの両方で知識状態をトレースする統合相互モデルであるRIGLを提案する。 本稿では,学生と集団の相互作用を同時にモデル化するための時間フレーム対応の相互埋め込みモジュールを提案する。 動的グラフモデリングと時間的自己注意機構を組み合わせた関係誘導型時間的注意ネットワークを設計する。
  論文  参考訳（メタデータ） (2024-06-18T10:16:18Z)
• Demolition and Reinforcement of Memories in Spin-Glass-like Neural Networks [0.0]
  この論文の目的は、連想記憶モデルと生成モデルの両方において、アンラーニングの有効性を理解することである。 構造化データの選択により、連想記憶モデルは、相当量のアトラクションを持つニューラルダイナミクスのアトラクションとしての概念を検索することができる。 Boltzmann Machinesの新しい正規化手法が提案され、データセットから隠れ確率分布を学習する以前に開発された手法より優れていることが証明された。
  論文  参考訳（メタデータ） (2024-03-04T23:12:42Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• When Large Language Models Meet Evolutionary Algorithms: Potential Enhancements and Challenges [50.280704114978384]
  事前訓練された大規模言語モデル(LLM)は、自然なテキストを生成する強力な能力を示す。 進化的アルゴリズム(EA)は、複雑な現実世界の問題に対する多様な解決策を発見できる。
  論文  参考訳（メタデータ） (2024-01-19T05:58:30Z)
• On sparse regression, Lp-regularization, and automated model discovery [0.0]
  Lp正規化ニューラルネットワークは、解釈可能なモデルと物理的に意味のあるパラメータの両方を同時に検出できることを示す。 データから物質モデルを自動的に発見する能力は、生成材料設計に多大な応用をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-10-09T05:34:21Z)
• Characterizing and overcoming the greedy nature of learning in multi-modal deep neural networks [62.48782506095565]
  深層ニューラルネットワークにおける学習の欲張った性質から、モデルは一つのモダリティにのみ依存する傾向にあり、他のモダリティには不適合であることを示す。 本稿では,学習中のモーダル間の条件付き学習速度のバランスをとるアルゴリズムを提案し,グリージー学習の問題に対処できることを実証する。
  論文  参考訳（メタデータ） (2022-02-10T20:11:21Z)
• Canoe : A System for Collaborative Learning for Neural Nets [4.547883122787855]
  Canoeはニューラルネットワークの知識伝達を容易にするフレームワークである。 Canoeはヘルパーノードのニューラルネットワークから重要なパラメータを動的に抽出する新しいシステムサポートを提供する。 異なるPyTorchモデルとニューラルネットワークモデルによるCanoeの評価は、知識伝達機構が、独立した学習に比べて3.5Xへのモデルの適応性を改善することを示した。
  論文  参考訳（メタデータ） (2021-08-27T05:30:15Z)

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。