論文の概要: Mutual Information Surprise: Rethinking Unexpectedness in Autonomous Systems

• arxiv url: http://arxiv.org/abs/2508.17403v2
• Date: Mon, 01 Sep 2025 15:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 14:24:52.6834
• Title: Mutual Information Surprise: Rethinking Unexpectedness in Autonomous Systems
• Title（参考訳）: 相互情報: 自律システムにおける予期せぬ再考
• Authors: Yinsong Wang, Quan Zeng, Xiao Liu, Yu Ding,
• Abstract要約: 疫学的な成長の兆しとして、驚きを再定義する新しいフレームワークであるMutual Information Surprise (MIS)を紹介した。 MISは、相互情報に対する新しい観測の影響を定量化し、自律的なシステムが学習の進行を反映できるようにする。 MISRPが支配する戦略は、安定性、応答性、予測精度において古典的なサプライズベースのアプローチを著しく上回ることを示す。
• 参考スコア（独自算出の注目度）: 9.92363495932515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent breakthroughs in autonomous experimentation have demonstrated remarkable physical capabilities, yet their cognitive control remains limited--often relying on static heuristics or classical optimization. A core limitation is the absence of a principled mechanism to detect and adapt to the unexpectedness. While traditional surprise measures--such as Shannon or Bayesian Surprise--offer momentary detection of deviation, they fail to capture whether a system is truly learning and adapting. In this work, we introduce Mutual Information Surprise (MIS), a new framework that redefines surprise not as anomaly detection, but as a signal of epistemic growth. MIS quantifies the impact of new observations on mutual information, enabling autonomous systems to reflect on their learning progression. We develop a statistical test sequence to detect meaningful shifts in estimated mutual information and propose a mutual information surprise reaction policy (MISRP) that dynamically governs system behavior through sampling adjustment and process forking. Empirical evaluations--on both synthetic domains and a dynamic pollution map estimation task--show that MISRP-governed strategies significantly outperform classical surprise-based approaches in stability, responsiveness, and predictive accuracy. By shifting surprise from reactive to reflective, MIS offers a path toward more self-aware and adaptive autonomous systems.
• Abstract（参考訳）: 自律実験における最近のブレークスルーは、目覚ましい物理的能力を示しているが、その認知制御は、静的ヒューリスティックスや古典的な最適化に頼っていることが多い。中核的な制限は、予期せぬ状況を検出し、適応するための原則的なメカニズムが存在しないことである。従来のサプライズ対策であるシャノンやベイズのような、偏差の瞬間的検出は、システムが真に学習し適応しているかどうかを把握できない。本研究では、相互情報サプライズ(MIS)、異常検出としてではなく、エピステミック成長のシグナルとして、相互情報に対する新たな観察の影響を定量化し、学習の進行を反映する。我々は、相互情報の変化を推定し、相互情報(MIRP)を動的に調整する、相互情報(MIS)を動的に制御する、動的に相互に調整する、そして動的に相互に応答する、応答する情報(MIS)を提供するための統計的シーケンスを開発する。 MISは、反応から反射へ驚きを移すことによって、より自己認識的で適応的な自律システムへの道筋を提供する。

関連論文リスト

• Designing Robust Software Sensors for Nonlinear Systems via Neural Networks and Adaptive Sliding Mode Control [2.884893167166808]
  本稿では,非線形力学系のためのソフトウェアセンサの設計手法を提案する。 明示的な変換や線形化に依存する従来のモデルベースオブザーバとは異なり、提案フレームワークはニューラルネットワークと適応スライディングモード制御(SMC)を統合している。 トレーニング手法は、物理に基づく制約としてシステムの制御方程式を活用することで、基底構造軌道にアクセスせずにオブザーバ合成を可能にする。
  論文  参考訳（メタデータ） (2025-07-09T13:06:58Z)
• Confidence Adjusted Surprise Measure for Active Resourceful Trials (CA-SMART): A Data-driven Active Learning Framework for Accelerating Material Discovery under Resource Constraints [7.188573079798082]
  代理機械学習(英: surrogate machine learning、ML)モデルは、人間の科学者の科学的発見過程を模倣するモデルである。 サプライズの概念(期待された結果と観測された結果の相違を捉える)は、実験を推し進める大きな可能性を示している。 本稿では,データ駆動実験の最適化に適したベイズ的アクティブラーニングフレームワークである,アクティブ・リソース・トライアルのための信頼性調整サプライズ尺度(CA-)を提案する。
  論文  参考訳（メタデータ） (2025-03-27T02:21:42Z)
• OMNISEC: LLM-Driven Provenance-based Intrusion Detection via Retrieval-Augmented Behavior Prompting [4.71781133841068]
  Provenance-based Intrusion Detection Systems (PIDS) はエンドポイントの脅威分析に広く利用されている。 攻撃手法の進化により、ルールは攻撃者の全ての特性を動的にモデル化することはできない。 異常検出システムは、通常の行動の変化と実際の攻撃行動とを区別できないため、重大な偽陽性問題に直面している。
  論文  参考訳（メタデータ） (2025-03-05T02:08:12Z)
• Navigating Uncertainties in Machine Learning for Structural Dynamics: A Comprehensive Review of Probabilistic and Non-Probabilistic Approaches in Forward and Inverse Problems [0.0]
  本稿では,機械学習(ML)における不確実性のナビゲートに関する包括的レビューを行う。 確率的手法や非確率的手法に対する不確実性に気付くアプローチを列挙する。 このレビューは、ML技術を利用して構造的動的問題の不確実性に対処する際、研究者や実践者が情報的決定を行うのを支援することを目的としている。
  論文  参考訳（メタデータ） (2024-08-16T09:43:01Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Sparsity in Continuous-Depth Neural Networks [2.969794498016257]
  重みと特徴空間が予測および基礎となる動的法則の同定に与える影響について検討する。 ヒトのモーションキャプチャーとヒト造血幹細胞RNA-seqデータからなる実世界のデータセットをキュレートする。
  論文  参考訳（メタデータ） (2022-10-26T12:48:12Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。