論文の概要: Vector Quantization in the Brain: Grid-like Codes in World Models

• arxiv url: http://arxiv.org/abs/2510.16039v1
• Date: Thu, 16 Oct 2025 06:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.795029
• Title: Vector Quantization in the Brain: Grid-like Codes in World Models
• Title（参考訳）: 脳におけるベクトル量子化:世界モデルにおけるグリッドライクなコード
• Authors: Xiangyuan Peng, Xingsi Dong, Si Wu,
• Abstract要約: グリッドライクなコード量子化(GCQ)は、アトラクタ力学におけるグリッドライクなパターンを用いて、観察・行動シーケンスを離散表現に圧縮する脳のような方法である。 GCQは、GCQが共同で空間と時間を圧縮し、統一された世界モデルとして機能する。
• 参考スコア（独自算出の注目度）: 10.898160446613325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose Grid-like Code Quantization (GCQ), a brain-inspired method for compressing observation-action sequences into discrete representations using grid-like patterns in attractor dynamics. Unlike conventional vector quantization approaches that operate on static inputs, GCQ performs spatiotemporal compression through an action-conditioned codebook, where codewords are derived from continuous attractor neural networks and dynamically selected based on actions. This enables GCQ to jointly compress space and time, serving as a unified world model. The resulting representation supports long-horizon prediction, goal-directed planning, and inverse modeling. Experiments across diverse tasks demonstrate GCQ's effectiveness in compact encoding and downstream performance. Our work offers both a computational tool for efficient sequence modeling and a theoretical perspective on the formation of grid-like codes in neural systems.
• Abstract（参考訳）: 本稿では,アトラクタ力学におけるグリッドライクなパターンを用いた離散表現に観測動作シーケンスを圧縮する,脳にインスパイアされたGrid-like Code Quantization (GCQ)を提案する。 静的入力で動作する従来のベクトル量子化アプローチとは異なり、GCQはアクション条件付きコードブックを通じて時空間圧縮を行う。 これによりGCQは空間と時間を共同で圧縮し、統一された世界モデルとして機能する。 結果の表現は、長距離予測、ゴール指向計画、逆モデリングをサポートする。 多様なタスクにわたる実験は、GCQがコンパクトエンコーディングとダウンストリームのパフォーマンスにおいて有効であることを示す。 我々の研究は、効率的なシーケンスモデリングのための計算ツールと、ニューラルネットワークにおけるグリッドライクなコードの形成に関する理論的視点の両方を提供する。

関連論文リスト

• Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
  マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。 我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
  論文  参考訳（メタデータ） (2025-09-03T18:05:02Z)
• Color it, Code it, Cancel it: k-local dynamical decoupling from classical additive codes [0.0]
  本稿では、時間最適、選択的に調整されたシーケンスを構築するための一般的なフレームワークを紹介する。 我々のアプローチは、様々な量子ビットプラットフォームにまたがるコンパクトでハードウェアに適したシーケンスを可能にする。 これにより、量子コンピューティングとシミュレーションの幅広い応用が開かれる。
  論文  参考訳（メタデータ） (2025-08-11T17:34:59Z)
• A Grid Cell-Inspired Structured Vector Algebra for Cognitive Maps [4.498459787490856]
  海馬と海馬の形成は哺乳類の脳のナビゲーションシステムであり、グリッド細胞を介して物理的および抽象的な空間をコードしている。 本稿では,CANとベクトルアーキテクチャ(VSA)にインスパイアされた脳海馬形成における多目的情報処理の力学モデルを提案する。 グリッドセルVSAモデルは、グリッドセルモジュールの離散スケールと配向を模倣した3次元モジュールによる空間的に構造化された符号化方式を採用している。
  論文  参考訳（メタデータ） (2025-03-11T16:45:52Z)
• Soft Convex Quantization: Revisiting Vector Quantization with Convex Optimization [40.1651740183975]
  ベクトル量子化(VQ)の直接代用として,ソフト凸量子化(SCQ)を提案する。 SCQは微分凸最適化(DCO)層のように機能する。 CIFAR-10, GTSRB, LSUNデータセット上での有効性を示す。
  論文  参考訳（メタデータ） (2023-10-04T17:45:14Z)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-09-27T12:39:46Z)
• Compressing Deep ODE-Nets using Basis Function Expansions [105.05435207079759]
  重みの定式化を基底関数の線形結合を用いた連続深度関数とみなす。 この観点では、ほぼ最先端の性能を維持しながら、再トレーニングすることなく、ベースの変化によって重みを圧縮することができる。 これにより、推論時間とメモリフットプリントの両方が削減され、計算環境間の高速で厳密な適応が可能となる。
  論文  参考訳（メタデータ） (2021-06-21T03:04:51Z)
• Latent Event-Predictive Encodings through Counterfactual Regularization [0.9449650062296823]
  本稿では,新しい正則化方式を用いたSUGAR(Surprise-GAted Recurrent Neural Network)を提案する。 隠れたグラフ構造を交互に並べてシーケンスを生成する階層的シーケンス予測タスクでモデルをテストします。
  論文  参考訳（メタデータ） (2021-05-12T18:30:09Z)
• Unsupervised Learning of Lagrangian Dynamics from Images for Prediction and Control [12.691047660244335]
  画像からラグランジアン力学を学習する新しい教師なしニューラルネットワークモデルを導入する。 このモデルは、座標対応変分オートエンコーダで同時に学習される一般化座標上でラグランジアン力学を推論する。
  論文  参考訳（メタデータ） (2020-07-03T20:06:43Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。