論文の概要: Cycle-Consistent Helmholtz Machine: Goal-Seeded Simulation via Inverted Inference

• arxiv url: http://arxiv.org/abs/2507.03065v1
• Date: Thu, 03 Jul 2025 17:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.571007
• Title: Cycle-Consistent Helmholtz Machine: Goal-Seeded Simulation via Inverted Inference
• Title（参考訳）: サイクル一貫性のあるヘルムホルツマシン:逆推論によるゴールシードシミュレーション
• Authors: Xin Li,
• Abstract要約: emphCycle-Consistent Helmholtz Machine (C$2$HM)を紹介する。 C$2$HM reframes inference as a emphgoal-seeded, emphasymmetric process grounded in structureed internal priors。 古典的償却推論に代わる生物学的にインスパイアされた代替手段を提供することにより、$C2$HMは生成モデリングを意図的シミュレーションとして再考する。
• 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 Helmholtz Machine (HM) is a foundational architecture for unsupervised learning, coupling a bottom-up recognition model with a top-down generative model through alternating inference. However, its reliance on symmetric, data-driven updates constrains its ability to perform goal-directed reasoning or simulate temporally extended processes. In this work, we introduce the \emph{Cycle-Consistent Helmholtz Machine} (C$^2$HM), a novel extension that reframes inference as a \emph{goal-seeded}, \emph{asymmetric} process grounded in structured internal priors. Rather than inferring latent causes solely from sensory data, C$^2$HM simulates plausible latent trajectories conditioned on abstract goals, aligning them with observed outcomes through a recursive cycle of forward generation and inverse refinement. This cycle-consistent formulation integrates top-down structure with bottom-up evidence via a variational loop, enforcing mutual alignment between goal-conditioned latent predictions and recognition-based reconstructions. We formalize this mechanism within the framework of the \emph{Context-Content Uncertainty Principle} (CCUP), which posits that inference proceeds by aligning structured, low-entropy content with high-entropy, ambiguous context. C$^2$HM improves representational efficiency, supports memory chaining via path-dependent inference, and enables spatial compositional imagination. By offering a biologically inspired alternative to classical amortized inference, $C^2$HM reconceives generative modeling as intentional simulation, bridging memory-based planning and unsupervised learning in a unified probabilistic framework.
• Abstract（参考訳）: Helmholtz Machine (HM) は教師なし学習の基本アーキテクチャであり、ボトムアップ認識モデルとトップダウン生成モデルとを交互に組み合わせている。 しかし、対称的なデータ駆動更新に依存しているため、目標指向の推論を実行したり、時間的に拡張されたプロセスをシミュレートする能力は制限される。 そこで本研究では, 内部構造を基礎とした<emph{Cycle-Consistent Helmholtz Machine} (C$^2$HM) を導入し, 推論を \emph{goal-seeded}, \emph{asymmetric} プロセスとして再構成する。 C$^2$HM は知覚データのみから潜伏原因を推測するのではなく、抽象的な目標に条件付けられた可塑性潜伏軌道をシミュレートし、前方生成と逆洗練された再帰サイクルを通じて観測結果と整列する。 このサイクル一貫性の定式化は、トップダウン構造とボトムアップエビデンスを変動ループを通じて統合し、目標条件付き潜在予測と認識に基づく再構成の相互整合を強制する。 我々は、このメカニズムを、高エントロピーであいまいな文脈で構造化された低エントロピーな内容と整列することで推論が進むことを示唆する 'emph{Context-Content Uncertainity Principle} (CCUP) の枠組みで定式化する。 C$^2$HMは表現効率を改善し、経路依存推論によるメモリチェーンをサポートし、空間構成の想像力を可能にする。 古典的償却推論に代わる生物学的にインスパイアされた代替手段を提供することにより、$C^2$HMは生成モデリングを意図的なシミュレーションとして捉え、メモリベースの計画と教師なし学習を統一確率的フレームワークでブリッジする。

関連論文リスト

• Train with Perturbation, Infer after Merging: A Two-Stage Framework for Continual Learning [59.6658995479243]
  P&M(texttext-Perturb-and-Merge)は,モデルマージをCLパラダイムに統合し,忘れることを避けるための新しい連続学習フレームワークである。 理論的解析により、全てのタスクにおける総損失増加を最小化し、最適マージ係数の解析解を導出する。 提案手法は,複数の連続学習ベンチマークデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-05-28T14:14:19Z)
• Temporal Model On Quantum Logic [0.0]
  このフレームワークは、線形および分岐時間モデルを用いて、時間とともに命題の進化を定式化する。 メモリの階層構造は、有向非巡回グラフを用いて表される。
  論文  参考訳（メタデータ） (2025-02-09T17:16:53Z)
• A Novel Framework for Learning Stochastic Representations for Sequence Generation and Recognition [0.0]
  シーケンシャルなデータの生成と認識は、動的環境で動作する自律システムの基本である。 パラメトリックバイアスを用いた新しいリカレントネットワーク(RNNPB)を提案する。 我々のアプローチは、時間パターンをモデル化するためのフレームワークを提供し、人工知能とロボティクスにおける堅牢なシステムの開発を前進させる。
  論文  参考訳（メタデータ） (2024-12-30T07:27:50Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Efficient hierarchical Bayesian inference for spatio-temporal regression models in neuroimaging [6.512092052306553]
  例えば、M/EEG逆問題、タスクベースのfMRI分析のためのニューラルネットワークの符号化、温度モニタリングスキームなどがある。 モデルパラメータとノイズの内在的時間的ダイナミクスをモデル化した,新しい階層型フレキシブルベイズフレームワークを考案する。
  論文  参考訳（メタデータ） (2021-11-02T15:50:01Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Self-Reflective Variational Autoencoder [21.054722609128525]
  変分オートエンコーダ(VAE)は潜在変数生成モデルを学習するための強力なフレームワークである。 自己回帰推論(self-reflective inference)と呼ばれるソリューションを導入します。 実験では, 後部と後部を正確に一致させることの明確な利点を実証的に示す。
  論文  参考訳（メタデータ） (2020-07-10T05:05:26Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。