論文の概要: Brain-Inspired Perspective on Configurations: Unsupervised Similarity and Early Cognition
- arxiv url: http://arxiv.org/abs/2510.19229v1
- Date: Wed, 22 Oct 2025 04:28:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:15.119623
- Title: Brain-Inspired Perspective on Configurations: Unsupervised Similarity and Early Cognition
- Title（参考訳）: 脳にインスパイアされた設定の視点:教師なしの類似性と早期認知
- Authors: Juntang Wang, Yihan Wang, Hao Wu, Dongmian Zou, Shixin Xu,
- Abstract要約: 我々は、有限分解能クラスタリングフレームワークである設定について、脳にインスパイアされた視点を示す。
データセット全体にわたって、設定は標準的なクラスタリングメトリクスと競合し、ノベルティ検出で87%のAUCを獲得し、動的カテゴリの進化中に35%の安定性を示す。
- 参考スコア（独自算出の注目度）: 21.29772471500733
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Infants discover categories, detect novelty, and adapt to new contexts without supervision -- a challenge for current machine learning. We present a brain-inspired perspective on configurations, a finite-resolution clustering framework that uses a single resolution parameter and attraction-repulsion dynamics to yield hierarchical organization, novelty sensitivity, and flexible adaptation. To evaluate these properties, we introduce mheatmap, which provides proportional heatmaps and a reassignment algorithm to fairly assess multi-resolution and dynamic behavior. Across datasets, configurations are competitive on standard clustering metrics, achieve 87% AUC in novelty detection, and show 35% better stability during dynamic category evolution. These results position configurations as a principled computational model of early cognitive categorization and a step toward brain-inspired AI.
- Abstract（参考訳）: 幼児はカテゴリを発見し、新しいものを検出し、監督なしで新しいコンテキストに適応する。
本稿では, 単一分解能パラメータとアトラクション・反発ダイナミクスを用いて, 階層構造, 新規感度, フレキシブル適応を実現する有限分解能クラスタリングフレームワークである, 構成に対する脳に触発された視点を示す。
これらの特性を評価するために,マルチレゾリューションと動的挙動を適切に評価するための,比例ヒートマップと再割り当てアルゴリズムを提供するMheatmapを導入する。
データセット全体にわたって、設定は標準的なクラスタリングメトリクスと競合し、ノベルティ検出で87%のAUCを獲得し、動的カテゴリの進化中に35%の安定性を示す。
これらの結果は、初期認知分類の原理的な計算モデルとして構成を位置づけ、脳にインスパイアされたAIへのステップとなる。
関連論文リスト
- Explicit modelling of subject dependency in BCI decoding [12.17288254938554]
Brain-Computer Interfaces (BCI) は、高いオブジェクト間の変動とラベル付きデータに悩まされる。
被験者の身元を条件とした軽量畳み込みニューラルネットワーク(CNN)を用いて、対象の依存関係を明示的にモデル化するエンド・ツー・エンドのアプローチを提案する。
論文 参考訳（メタデータ） (2025-09-27T10:51:42Z) - 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) - DyCAF-Net: Dynamic Class-Aware Fusion Network [0.0]
動的クラス・アウェア・フュージョン・ネットワーク(DyCAF-Net)について紹介する。
DyCAF-Netは13のベンチマークで精度、mAP@50、mAP@50-95を大幅に改善した。
分散のスケール、セマンティックオーバーラップ、およびクラス不均衡に対する適応性は、実世界の検出タスクの堅牢なソリューションとして位置づけられる。
論文 参考訳（メタデータ） (2025-08-05T16:06:26Z) - RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。
HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。
我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
論文 参考訳（メタデータ） (2025-07-12T01:58:04Z) - NeurOptimisation: The Spiking Way to Evolve [0.3069335774032178]
本稿では,神経形態に基づくメタヒューリスティックパラダイムを分散NCシステムによって実現した,完全なスパイクに基づくフレームワークを提案する。
We implement this framework on Intel's Lava platform, targeting the Loihi 2 chip, and evaluate it on the noiseless BBOB suite up to 40 dimensions。
提案手法は, 構造的人口動態, 一貫した収束, ミリワットレベルの電力実現可能性を示す。
論文 参考訳（メタデータ） (2025-07-11T05:18:13Z) - Learn to Memorize and to Forget: A Continual Learning Perspective of Dynamic SLAM [17.661231232206028]
暗黙的な神経表現を伴う同時局所化とマッピング(SLAM)が注目されている。
動的環境のための新しいSLAMフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-18T09:35:48Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳（メタデータ） (2023-11-05T12:03:58Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Adaptive Clustering-based Reduced-Order Modeling Framework: Fast and
accurate modeling of localized history-dependent phenomena [0.0]
本稿では,適応クラスタリングに基づくリダクション・オーダー・モデリング(ACROM)フレームワークを提案し,最近のクラスタリングに基づくリダクション・オーダー・モデル(CROM)のファミリーを大幅に改善し拡張する。
これにより、クラスタリングベースのドメイン分解は問題解全体を通して動的に進化し、関連するフィールドがより急勾配を示す領域における最適な洗練が保証される。
これは、高度に局所的な塑性と損傷現象を含む歴史に依存しない非線形問題の高速かつ正確な物質モデリングへの新たな経路を提供する。
論文 参考訳（メタデータ） (2021-09-24T11:36:58Z)
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。