論文の概要: 'Memory States' from Almost Nothing: Representing and Computing in a Non-associative Algebra

• arxiv url: http://arxiv.org/abs/2506.13768v1
• Date: Tue, 13 May 2025 08:43:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.638622
• Title: 'Memory States' from Almost Nothing: Representing and Computing in a Non-associative Algebra
• Title（参考訳）: ほとんど何も無い「記憶状態」:非連想的代数における表現と計算
• Authors: Stefan Reimann,
• Abstract要約: 本稿では,高次元空間における情報項目の表現と計算のための非連想的フレームワークを提案する。 これは空間コンピューティングの原理と、記憶に関する認知科学の実証的な発見と一致している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This note presents a non-associative algebraic framework for the representation and computation of information items in high-dimensional space. This framework is consistent with the principles of spatial computing and with the empirical findings in cognitive science about memory. Computations are performed through a process of multiplication-like binding and non-associative interference-like bundling. Models that rely on associative bundling typically lose order information, which necessitates the use of auxiliary order structures, such as position markers, to represent sequential information that is important for cognitive tasks. In contrast, the non-associative bundling proposed allows the construction of sparse representations of arbitrarily long sequences that maintain their temporal structure across arbitrary lengths. In this operation, noise is a constituent element of the representation of order information, rather than a means of obscuring it. The non-associative nature of the proposed framework results in the representation of a single sequence by two distinct states. The L-state, generated through left-associative bundling, continuously updates and emphasises a recency effect, while the R-state, formed through right-associative bundling, encodes finite sequences or chunks, capturing a primacy effect. The construction of these states may be associated with activity in the prefrontal cortex in relation to short-term memory and hippocampal encoding in long-term memory, respectively. The accuracy of retrieval is contingent upon a decision-making process that is based on the mutual information between the memory states and the cue. The model is able to replicate the Serial Position Curve, which reflects the empirical recency and primacy effects observed in cognitive experiments.
• Abstract（参考訳）: 本稿では,高次元空間における情報項目の表現と計算のための非連想的代数的フレームワークを提案する。 この枠組みは空間コンピューティングの原理と記憶に関する認知科学の実証的な発見と一致している。 計算は乗法的結合と非連想的干渉的結合によって行われる。 連想的バンドルに依存するモデルは、一般的に、認知タスクにおいて重要なシーケンシャルな情報を表現するために、位置マーカーのような補助的な順序構造を使用する必要がある順序情報を失う。 対照的に、非連想的バンドルは任意の長さにわたる時間構造を維持する任意の長列のスパース表現の構築を可能にする。 この操作では、ノイズは秩序情報の表現の要素であり、それを隠蔽する手段ではない。 提案されたフレームワークの非連想的性質は、2つの異なる状態による単一のシーケンスの表現をもたらす。 左結合結合によって生成されるL状態は連続的に更新され、電流効果を強調する一方、右結合結合によって形成されたR状態は有限配列またはチャンクをコードし、プライマリ効果を捉えている。 これらの状態の構築は、それぞれ長期記憶における短期記憶と海馬のエンコーディングに関連する前頭前皮質の活動と関連している可能性がある。 検索の精度は、記憶状態とキュー間の相互情報に基づく意思決定プロセスに基づいて決定される。 このモデルは、認知実験で観察された経験的再発とプライマリシー効果を反映したシリアル位置曲線を再現することができる。

関連論文リスト

• Sequential Memory with Temporal Predictive Coding [6.228559238589584]
  時空間予測符号化 (tPC) という, PC を用いた時空間メモリモデルを提案する。 我々のtPCモデルは、生物学的に妥当なニューラル実装を用いて、シーケンシャルな入力を正確に記憶し、取得できることを示します。
  論文  参考訳（メタデータ） (2023-05-19T20:03:31Z)
• On the Relationship Between Variational Inference and Auto-Associative Memory [68.8204255655161]
  本フレームワークでは, 変動推論に対する異なるニューラルネットワークアプローチが適用可能であるかを検討する。 得られたアルゴリズムをCIFAR10とCLEVRの画像データセットで評価し,他の連想記憶モデルと比較した。
  論文  参考訳（メタデータ） (2022-10-14T14:18:47Z)
• Learning Sequence Representations by Non-local Recurrent Neural Memory [61.65105481899744]
  教師付きシーケンス表現学習のためのNon-local Recurrent Neural Memory (NRNM)を提案する。 我々のモデルは長距離依存を捉えることができ、潜伏した高レベル特徴を我々のモデルで抽出することができる。 我々のモデルは、これらのシーケンスアプリケーションごとに特別に設計された他の最先端の手法と比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-07-20T07:26:15Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• A novel HD Computing Algebra: Non-associative superposition of states creating sparse bundles representing order information [0.0]
  認知コンピューティングは、アイテム情報だけでなく、シーケンシャル情報も表現する必要がある。 神経活動の総和にインスパイアされた単純なバイナリバンドルルールにより、結果のメモリ状態はアイテム情報とシーケンシャル情報の両方を表現することができる。 任意の数のアイテムをまとめることによるメモリ状態は、非均一であり、合計のアクティベーションしきい値によって制御されるスパース度を有する。
  論文  参考訳（メタデータ） (2022-02-17T12:40:32Z)
• Entropic Associative Memory for Manuscript Symbols [0.0]
  マニュアルシンボルは、連想的で分散されているが宣言的でないエントロピーデジタルメモリから保存、認識、検索することができる。 完全情報と不完全情報の両方を用いてオブジェクトを検索するエントロピー連想メモリの動作特性について考察する。
  論文  参考訳（メタデータ） (2022-02-17T02:29:33Z)
• Rethinking Space-Time Networks with Improved Memory Coverage for Efficient Video Object Segmentation [68.45737688496654]
  各オブジェクトのマスク特徴を再エンコードすることなく,フレーム間の直接対応性を確立する。 対応によって、現在のクエリフレーム内の全てのノードは、過去の特徴を連想的に集約することによって推測される。 すべてのメモリノードにコントリビュートする機会があることを検証し、そのような多彩な投票がメモリ効率と推論精度の両方に有益であることを示した。
  論文  参考訳（メタデータ） (2021-06-09T16:50:57Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• An Entropic Associative Memory [0.0]
  我々は、個々のオブジェクトの表現を保持する連想メモリレジスタを検索するために、内在型決定型コンピューティングを使用する。 このシステムは手書き桁の表現を保持する視覚記憶のモデル化に使われている。 メモリ操作で回収されたcueとオブジェクトの類似性は、メモリレジスタのエントロピーに依存する。
  論文  参考訳（メタデータ） (2020-09-28T04:24:21Z)

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。