論文の概要: Hierarchical Learning for Maze Navigation: Emergence of Mental Representations via Second-Order Learning

• arxiv url: http://arxiv.org/abs/2509.14195v1
• Date: Wed, 17 Sep 2025 17:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-18 18:41:50.937136
• Title: Hierarchical Learning for Maze Navigation: Emergence of Mental Representations via Second-Order Learning
• Title（参考訳）: 迷路ナビゲーションのための階層的学習:二階学習による心的表現の創出
• Authors: Shalima Binta Manir, Tim Oates,
• Abstract要約: 外部環境を反映する構造的内部モデルによって特徴づけられる心的表現は、高度な認知の基礎となる。 認知システムが内部のメンタルマップを環境に構造的に同化する際には,二階学習が特に有効であることを示す。
• 参考スコア（独自算出の注目度）: 3.7958475517455947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mental representation, characterized by structured internal models mirroring external environments, is fundamental to advanced cognition but remains challenging to investigate empirically. Existing theory hypothesizes that second-order learning -- learning mechanisms that adapt first-order learning (i.e., learning about the task/domain) -- promotes the emergence of such environment-cognition isomorphism. In this paper, we empirically validate this hypothesis by proposing a hierarchical architecture comprising a Graph Convolutional Network (GCN) as a first-order learner and an MLP controller as a second-order learner. The GCN directly maps node-level features to predictions of optimal navigation paths, while the MLP dynamically adapts the GCN's parameters when confronting structurally novel maze environments. We demonstrate that second-order learning is particularly effective when the cognitive system develops an internal mental map structurally isomorphic to the environment. Quantitative and qualitative results highlight significant performance improvements and robust generalization on unseen maze tasks, providing empirical support for the pivotal role of structured mental representations in maximizing the effectiveness of second-order learning.
• Abstract（参考訳）: 外部環境を反映する構造的内部モデルによって特徴づけられる心的表現は、高度な認知の基礎であるが、経験的に調査することは困難である。 既存の理論は、一階学習(すなわちタスク/ドメインについて学ぶ)に適応する学習メカニズムである二階学習が、環境認知同型(英語版)の出現を促進すると仮定している。 本稿では,グラフ畳み込みネットワーク(GCN)を1次学習者とし,MLPコントローラを2次学習者とする階層型アーキテクチャを提案することにより,この仮説を実証的に検証する。 GCNはノードレベルの特徴を直接最適なナビゲーションパスの予測にマッピングし、MLPは構造的に新しい迷路環境に直面する際にGCNのパラメータを動的に適応させる。 本研究では,認知システムが環境と構造的に同型な内的メンタルマップを発達させる場合,二階学習が特に有効であることを示す。 定量的および定性的な結果は、目立たない迷路作業における顕著なパフォーマンス改善と堅牢な一般化を強調し、第二次学習の有効性を最大化するための構造化された心的表現の重要な役割を実証的に支援する。

関連論文リスト

• Cognitive Structure Generation: From Educational Priors to Policy Optimization [10.932994688742475]
  本稿では,学生の認知構造を生成するための新しい枠組みである認知構造生成(CSG)を紹介する。 4つの人気のある実世界の教育データセットの実験結果から、CSGが生成する認知構造がより包括的で効果的な生徒モデリングの表現を提供することが示された。
  論文  参考訳（メタデータ） (2025-08-18T06:21:36Z)
• KPFlow: An Operator Perspective on Dynamic Collapse Under Gradient Descent Training of Recurrent Networks [9.512147747894026]
  勾配流を2つの作用素を含む積に分解する方法を示す。 それらの相互作用がGDの下での低次元潜在力学にどのように影響するかを示す。 マルチタスクトレーニングでは,各サブタスクの目的がどのように一致しているかを演算子を用いて測定できることが示される。
  論文  参考訳（メタデータ） (2025-07-08T20:33:15Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• On the Cone Effect in the Learning Dynamics [57.02319387815831]
  実世界の環境でのニューラルネットワークの学習力学を実証的に研究する。 第一相ではeNTKが著しく進化し、第二相ではeNTKが、第二相ではeNTKは進化し続けるが、狭い空間では制約される。
  論文  参考訳（メタデータ） (2025-03-20T16:38:25Z)
• Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
  我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。 また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。 我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-02-22T14:10:06Z)
• Developing hierarchical anticipations via neural network-based event segmentation [14.059479351946386]
  我々は、自律的に学習された潜在イベントコードによる階層的予測の開発をモデル化する。 本稿では,学習バイアスが緩やかに変化する潜在状態の発達を促進する階層的再帰型ニューラルネットワークアーキテクチャを提案する。 より高いレベルのネットワークは、潜伏状態が変化しがちな状況を予測することを学ぶ。
  論文  参考訳（メタデータ） (2022-06-04T18:54:31Z)
• Complementary Structure-Learning Neural Networks for Relational Reasoning [3.528645587678267]
  海馬におけるパターン分離は,新しい環境下での迅速な学習を可能にすることを示す。 ネオコルテックスのゆっくりとした学習は、よく学習された環境から体系的な構造を抽出するために小さな重量変化を蓄積する。
  論文  参考訳（メタデータ） (2021-05-19T06:25:21Z)
• Investigating Bi-Level Optimization for Learning and Vision from a Unified Perspective: A Survey and Beyond [114.39616146985001]
  機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。 本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。 次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
  論文  参考訳（メタデータ） (2021-01-27T16:20:23Z)

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。