論文の概要: Optimal Foraging in Memory Retrieval: Evaluating Random Walks and Metropolis-Hastings Sampling in Modern Semantic Spaces

• arxiv url: http://arxiv.org/abs/2511.12759v1
• Date: Sun, 16 Nov 2025 20:08:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.524181
• Title: Optimal Foraging in Memory Retrieval: Evaluating Random Walks and Metropolis-Hastings Sampling in Modern Semantic Spaces
• Title（参考訳）: 記憶検索における最適な捕食:現代セマンティック空間におけるランダムウォークとメトロポリス・ハスティングの評価
• Authors: James Moore,
• Abstract要約: 現代の埋め込みは、観察された人間の行動にマッチするアルゴリズムを表現できるかどうかを考察する。 これらの埋め込み空間上のランダムウォークは、最適な採餌とMVTと整合した結果をもたらす。 驚くべきことに、新しいクラスタの戦略的受容と拒絶をモデル化する適応アルゴリズムであるMetropolis-Hastingsサンプルを導入しても、人間の行動と一致しない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human memory retrieval often resembles ecological foraging where animals search for food in a patchy environment. Optimal foraging means following the Marginal Value Theorem (MVT), in which individuals exploit a patch of semantically related concepts until it becomes less rewarding and then switch to a new cluster. While human behavioral data suggests foraging-like patterns in semantic fluency tasks, it remains unclear whether modern high-dimensional embedding spaces provide representations that allow algorithms to match observed human behavior. Using state-of-the-art embeddings and prior semantic fluency data, I find that random walks on these embedding spaces produce results consistent with optimal foraging and the MVT. Surprisingly, introducing Metropolis-Hastings sampling, an adaptive algorithm expected to model strategic acceptance and rejection of new clusters, does not produce results consistent with human behavior. These findings challenge the assumption that more complex sampling mechanisms inherently lead to better cognitive models of memory retrieval. Instead, they show that appropriately structured embeddings, even with simple sampling, can produce near-optimal foraging dynamics. This supports the perspective of Hills (2012) rather than Abbott (2015), demonstrating that modern embeddings can approximate human memory foraging without relying on complex acceptance criteria.
• Abstract（参考訳）: 人間の記憶の検索は、動物が湿った環境で食物を探す生態的捕食によく似ている。 最適な採餌はMarginal Value Theorem (MVT) に続くことを意味し、個人が意味論的に関連する概念のパッチを利用して報酬を減らし、新しいクラスタに切り替える。 人間の行動データは、セマンティック・フラエンシ・タスクにおける捕食のようなパターンを示唆するが、現代の高次元の埋め込み空間が、人間の行動にアルゴリズムが一致するような表現を提供するかどうかは不明である。 最先端の埋め込みと事前のセマンティック・フラレンシ・データを用いて、これらの埋め込み空間上のランダムウォークが最適な捕食とMVTと整合した結果をもたらすことが分かりました。 驚くべきことに、新しいクラスタの戦略的受容と拒絶をモデル化する適応アルゴリズムであるMetropolis-Hastingsサンプルを導入しても、人間の行動と一致しない。 これらの知見は、より複雑なサンプリング機構が本質的に記憶検索の認知モデルの改善につながるという仮定に挑戦する。 代わりに、簡単なサンプリングであっても適切に構造化された埋め込みが、ほぼ最適の採餌ダイナミクスを生み出すことを示している。 これは、Abbott (2015) よりも Hills (2012) の視点をサポートし、現代の埋め込みは、複雑な受容基準に頼ることなく、人間のメモリの捕食を近似できることを示した。

関連論文リスト

• Maximally-Informative Retrieval for State Space Model Generation [59.954191072042526]
  テスト時に特定のクエリに対するモデル不確実性を最小化するために、Retrieval In-Context Optimization (RICO)を導入する。 文書検索に外部に依存した従来の検索強化生成(RAG)とは異なり,本手法はモデルから直接のフィードバックを利用する。 モデル勾配を用いた標準のトップ$kの検索は、最適化手順を近似し、残余損失への接続を提供することを示す。
  論文  参考訳（メタデータ） (2025-06-13T18:08:54Z)
• CART-based Synthetic Tabular Data Generation for Imbalanced Regression [1.342834401139078]
  我々は、既存のCARTベースの合成データ生成手法を適応させ、不均衡回帰に適合させることを提案する。 本手法は, 対象空間のスパース領域におけるサンプリングを誘導するための関連性および密度に基づくメカニズムを統合する。 本実験は,ベンチマークデータセット間での極端目標値の予測に焦点をあてる。
  論文  参考訳（メタデータ） (2025-06-03T12:42:20Z)
• A sparse PAC-Bayesian approach for high-dimensional quantile prediction [0.0]
  本稿では,高次元量子化予測のための確率論的機械学習手法を提案する。 擬似ベイズ的フレームワークとスケールした学生tとランゲヴィン・モンテカルロを併用して効率的な計算を行う。 その効果はシミュレーションや実世界のデータを通じて検証され、そこでは確立された頻繁な手法やベイズ的手法と競合する。
  論文  参考訳（メタデータ） (2024-09-03T08:01:01Z)
• Neural Likelihood Approximation for Integer Valued Time Series Data [0.0]
  我々は、基礎となるモデルの無条件シミュレーションを用いて訓練できるニューラルな可能性近似を構築した。 本手法は,多くの生態学的および疫学的モデルを用いて推定を行うことにより実証する。
  論文  参考訳（メタデータ） (2023-10-19T07:51:39Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Fine-grained Retrieval Prompt Tuning [149.9071858259279]
  微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。 学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-29T04:10:04Z)
• Local policy search with Bayesian optimization [73.0364959221845]
  強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。 局所探索のための政策勾配は、しばしばランダムな摂動から得られる。 目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2021-06-22T16:07:02Z)
• Boolean Reasoning-Based Biclustering for Shifting Pattern Extraction [0.20305676256390928]
  Biclusteringは、さまざまな種類の関心のあるパターンの品質を測定する機能によって駆動されるため、データ内のパターンを検索するための強力なアプローチです。 シフトパターンはデータの変動が一定であるので、特に興味深い。 この研究は、ブール推論によるシフトパターンの誘導は、すべての包含-最大デルタシフトパターンを見つける能力によるものであることを示す。
  論文  参考訳（メタデータ） (2021-04-26T11:40:17Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)

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。