論文の概要: On Context-Content Uncertainty Principle

• arxiv url: http://arxiv.org/abs/2506.20699v1
• Date: Wed, 25 Jun 2025 17:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.825524
• Title: On Context-Content Uncertainty Principle
• Title（参考訳）: 文脈内容の不確実性原理について
• Authors: Xin Li,
• Abstract要約: 我々は、コンテキスト-コンテンツ不確実性原理から運用原則を導出する階層計算フレームワークを開発する。 基盤レベルでは、CCUPは推論を方向性エントロピー最小化として定式化し、コンテンツファーストの構造化を好む変分勾配を確立する。 本稿では,形式的同値定理,原理間の依存格子,CCUP型推論の効率性向上を示す計算シミュレーションを提案する。
• 参考スコア（独自算出の注目度）: 5.234742752529437
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The Context-Content Uncertainty Principle (CCUP) proposes that inference under uncertainty is governed by an entropy asymmetry between context and content: high-entropy contexts must be interpreted through alignment with low-entropy, structured content. In this paper, we develop a layered computational framework that derives operational principles from this foundational asymmetry. At the base level, CCUP formalizes inference as directional entropy minimization, establishing a variational gradient that favors content-first structuring. Building upon this, we identify four hierarchical layers of operational principles: (\textbf{L1}) \emph{Core Inference Constraints}, including structure-before-specificity, asymmetric inference flow, cycle-consistent bootstrapping, and conditional compression, all shown to be mutually reducible; (\textbf{L2}) \emph{Resource Allocation Principles}, such as precision-weighted attention, asymmetric learning rates, and attractor-based memory encoding; (\textbf{L3}) \emph{Temporal Bootstrapping Dynamics}, which organize learning over time via structure-guided curricula; and (\textbf{L4}) \emph{Spatial Hierarchical Composition}, which integrates these mechanisms into self-organizing cycles of memory, inference, and planning. We present formal equivalence theorems, a dependency lattice among principles, and computational simulations demonstrating the efficiency gains of CCUP-aligned inference. This work provides a unified theoretical foundation for understanding how brains and machines minimize uncertainty through recursive structure-specificity alignment. The brain is not just an inference machine. It is a cycle-consistent entropy gradient resolver, aligning structure and specificity via path-dependent, content-seeded simulation.
• Abstract（参考訳）: CCUP(Context-Content Uncertainty Principle)は、不確実性の下での推論は、文脈と内容の間のエントロピー非対称性によって支配される、と提唱している。 本稿では,この基礎的非対称性から演算原理を導出する階層計算フレームワークを開発する。 基盤レベルでは、CCUPは推論を方向性エントロピー最小化として定式化し、コンテンツファーストの構造化を好む変分勾配を確立する。 これに基づいて、構造的固有性、非対称推論フロー、サイクル整合ブートストラッピング、条件的圧縮を含む4つの階層的な運用原則を同定する。 (\textbf{L1}) \emph{Core Inference Constraints} は、相互に再現可能であることが示されている; (\textbf{L2}) \emph{Resource Allocation Principles} は、精度重み付けされた注意、非対称学習率、アトラクタベースのメモリエンコーディング、 (\textbf{L3}) \emph{Temporal Bootstrapping Dynamics} は、構造的誘導されたキュラを通して学習を組織する。 本稿では,形式的同値定理,原理間の依存格子,CCUP型推論の効率性向上を示す計算シミュレーションを提案する。 この研究は、再帰的構造特異性アライメントを通じて脳と機械が不確実性を最小化する方法を理解するための統一された理論基盤を提供する。 脳は単なる推論機械ではない。 サイクル一貫性エントロピー勾配分解器であり、経路依存型コンテントシードシミュレーションにより構造と特異性を整列する。

関連論文リスト

• Simplicial methods in the resource theory of contextuality [0.0]
  単体分布の理論に基づいて,プレシャフ理論測定シナリオのファンクショナルな一般化としてイベントシナリオを紹介する。 これらのカテゴリ上の対称なモノイド構造を定義し、分布関手を集合に拡張し、シミュレーションのプレシャフ-理論的な概念を一般化する資源理論を導出する。
  論文  参考訳（メタデータ） (2025-05-29T21:14:55Z)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• Structural Entropy Guided Probabilistic Coding [52.01765333755793]
  構造エントロピー誘導型確率的符号化モデルSEPCを提案する。 我々は、構造エントロピー正規化損失を提案することにより、潜在変数間の関係を最適化に組み込む。 分類タスクと回帰タスクの両方を含む12の自然言語理解タスクに対する実験結果は、SEPCの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-12T00:37:53Z)
• Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
  本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。 本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。 実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-10T17:04:39Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• PAC-Chernoff Bounds: Understanding Generalization in the Interpolation Regime [6.645111950779666]
  本稿では,補間器の完全密度を示す分布依存型PAC-Chernoff境界を提案する。 我々は、ある補間子がなぜ例外的な一般化を示すのかを示す統一的な理論的枠組みを提示する。
  論文  参考訳（メタデータ） (2023-06-19T14:07:10Z)
• On Broken Symmetry in Cognition [5.234742752529437]
  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。
  論文  参考訳（メタデータ） (2023-03-07T19:48:13Z)
• Formal context reduction in deriving concept hierarchies from corpora using adaptive evolutionary clustering algorithm star [15.154538450706474]
  コーパスから概念階層を導出するプロセスは、通常、時間とリソース集約的なプロセスである。 結果として得られる形式的文脈の格子は、概念的格子不変量を用いて標準格子に評価される。 その結果,適応ECA*は,異なるフィリング比で,他の競合技術よりも高速に概念格子を実行することがわかった。
  論文  参考訳（メタデータ） (2021-07-10T07:18:03Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。