論文の概要: Phasor Agents: Oscillatory Graphs with Three-Factor Plasticity and Sleep-Staged Learning

• arxiv url: http://arxiv.org/abs/2601.04362v1
• Date: Wed, 07 Jan 2026 19:57:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.895406
• Title: Phasor Agents: Oscillatory Graphs with Three-Factor Plasticity and Sleep-Staged Learning
• Title（参考訳）: ファザーエージェント:3要素塑性と睡眠段階学習を用いた振動グラフ
• Abstract要約: Phasor Agents は内部状態が Phasor Graph である動的システムである。 Phasor Agents は内部状態が Phasor Graph である動的システムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Phasor Agents are dynamical systems whose internal state is a Phasor Graph: a weighted graph of coupled Stuart-Landau oscillators. A Stuart-Landau oscillator is a minimal stable "rhythm generator" (the normal form near a Hopf bifurcation); each oscillator is treated as an abstract computational unit (inspired by, but not claiming to model, biological oscillatory populations). In this interpretation, oscillator phase tracks relative timing (coherence), while amplitude tracks local gain or activity. Relative phase structure serves as a representational medium; coupling weights are learned via three-factor local plasticity - eligibility traces gated by sparse global modulators and oscillation-timed write windows - without backpropagation. A central challenge in oscillatory substrates is stability: online weight updates can drive the network into unwanted regimes (e.g., global synchrony), collapsing representational diversity. We therefore separate wake tagging from offline consolidation, inspired by synaptic tagging-and-capture and sleep-stage dynamics: deep-sleep-like gated capture commits tagged changes safely, while REM-like replay reconstructs and perturbs experience for planning. A staged experiment suite validates each mechanism with ablations and falsifiers: eligibility traces preserve credit under delayed modulation; compression-progress signals pass timestamp-shuffle controls; phase-coherent retrieval reaches 4x diffusive baselines under noise; wake/sleep separation expands stable learning by 67 percent under matched weight-norm budgets; REM replay improves maze success rate by +45.5 percentage points; and a Tolman-style latent-learning signature - immediate competence and detour advantage after unrewarded exploration, consistent with an internal model - emerges from replay (Tolman, 1948). The codebase and all artifacts are open-source.
• Abstract（参考訳）: ファザーエージェント(英: Phasor Agents)は、内部状態がファザーグラフである力学系である。 スチュアート・ランダウ発振器(Stuart-Landau oscillator)は、最小の安定なリズム生成器(ホップ分岐に近い正規形式)であり、各発振器は抽象計算単位として扱われる。 この解釈では、発振器位相は相対的なタイミング(コヒーレンス)を追跡し、振幅は局所的な利得や活動を追跡する。 相対位相構造は表現媒体として機能し、結合重みは3要素の局所的な可塑性によって学習される。 オンラインウェイト更新は、ネットワークを望ましくない状態(例えば、グローバル同期)に誘導し、表現の多様性を崩壊させる。 したがって、私たちは、シンプティックなタギングとスリープステージのダイナミクスにインスパイアされた、オフラインのコンソリデーションからウェイクタギングを分離する。 段階的な実験スイートでは、アブレーションとファルシファイアによってそれぞれのメカニズムを検証している: 信頼度トレースは遅延変調下で信用を保ち、圧縮プログレッシブ信号はタイムスタンプシャッフル制御、位相コヒーレント検索はノイズ下で4倍の拡散ベースラインに達し、ウェイク/スリープ分離は、一致したウェイトノーム予算の下で安定した学習を67%拡張し、REMリプレイは、+45.5ポイントの迷路の成功率を改善する。 コードベースとすべてのアーティファクトはオープンソースです。

関連論文リスト

• Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals [0.0]
  重力波デノジングのための5つのニューラルネットワークアーキテクチャの制御された最初の比較について述べる。 我々は、全天体物理学的に動機づけられた回転二乗ブラックホールパラメータ空間を同時に訓練する。 ネットワーク構造とコリケーションのスペクトル解剖との整合性は、ブルートフォースモデルスケーリングよりも優れる。
  論文  参考訳（メタデータ） (2026-09-07T18:00:10Z)
• More Experts, Worse Dynamics: Inverse Scaling and Spectral Bias in Mixture-of-Experts State-Space Models [0.0]
  本研究では,3つの規則から構成されるシーケンスの次段階予測課題について検討する。 オペレータレベルの混合モデルは、一貫してシングルエキスパートベースラインを上回りません。
  論文  参考訳（メタデータ） (2026-08-22T08:22:32Z)
• StructRL: Structured Action-Space Exploration for Flow-Based VLAs [81.43458629514139]
  フローベースのビジョン・ランゲージ・アクションモデルは現在、連続的なロボット操作に広く使われている。 オンライン強化学習は、それらを新しいタスクに適応するための重要なテクニックとして浮上している。 動作群間で時間的にスムーズかつスケールの異なる,構造的雑音に対する効果的なロボット探索の必要性を示す。
  論文  参考訳（メタデータ） (2026-08-15T09:31:29Z)
• GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
  GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。 高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
  論文  参考訳（メタデータ） (2026-07-23T15:52:35Z)
• Same Loss, Same Noise, Opposite Schedules: Noise Structure and Optimizer Normalization Jointly Determine Whether Learning-Rate Cooldown Helps [4.422349568747053]
  本稿では,大規模モデル事前学習の既定であるウォームアップ安定度学習スケジュール(WSD)の段階について検討する。 提案手法は, 勾配雑音の構造と勾配雑音の構造が正規化するか否かという2つの特性を同時に有する。
  論文  参考訳（メタデータ） (2026-07-14T05:21:38Z)
• MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
  MotionMARは、スパース観測からの運動再構成のためのフレームワークである。 まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。 MotionMARは、AMASSデータセット上で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-06-22T08:15:56Z)
• When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
  物理信号の長距離自己回帰予測は誤差蓄積によって制限される。 物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
  論文  参考訳（メタデータ） (2026-06-09T13:46:14Z)
• On the Learning Dynamics of Two-layer Linear Networks with Label Noise SGD [93.70725920710208]
  ラベル雑音による勾配降下の学習力学について検討する。 遅延からリッチな体制への移行を駆動する上で,ラベルノイズが重要な役割を担っていることを強調する。 これらの知見をSAM(Sharpness-Aware Minimization)に拡張し、ラベルノイズSGDを規定する原理がより広範な最適化アルゴリズムにも適用可能であることを示す。
  論文  参考訳（メタデータ） (2026-03-11T04:26:54Z)
• Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
  Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。 FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。 推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
  論文  参考訳（メタデータ） (2026-02-12T18:54:57Z)
• Geometry of Drifting MDPs with Path-Integral Stability Certificates [14.721539799090904]
  実世界の強化学習は、しばしば非定常的であり、報酬と力学は最適な行動において急激なスイッチを起動し、加速し、振動し、引き起こす。 環境を相異なるホモトピーパスとしてモデル化し、最適なベルマン固定点の誘導運動を追跡することにより、非定常割引マルコフ決定過程(MDPs)の幾何学的ビューを得る。 これは、累積ドリフト、加速度/振動、アクションギャップによって引き起こされる非滑らかさという、内在的な複雑さの、長さ-曲率-キンクのシグネチャをもたらす。
  論文  参考訳（メタデータ） (2026-01-29T17:03:23Z)
• Tracing the Representation Geometry of Language Models from Pretraining to Post-training [22.18942718274405]
  本研究では,事前学習と後学習にまたがる学習表現の幾何学をスペクトル的に検討する。 自己回帰事前学習中に3つの幾何位相の一貫した非単調列が発見された。 SFTとDPOは、特定の命令データや優先データを統合するために「エントロピー探索」ダイナミクスを駆動します。
  論文  参考訳（メタデータ） (2025-09-27T00:46:29Z)
• Stragglers-Aware Low-Latency Synchronous Federated Learning via Layer-Wise Model Updates [71.81037644563217]
  同期フェデレーションラーニング(FL)は、協調エッジラーニングの一般的なパラダイムである。 一部のデバイスは計算資源が限られており、様々な可用性があるため、FLレイテンシはストラグラーに非常に敏感である。 本稿では,NNの最適化手法をバックプロパゲーションにより活用し,グローバルモデルを階層的に更新するストラグラー対応層対応学習(SALF)を提案する。
  論文  参考訳（メタデータ） (2024-03-27T09:14:36Z)
• Learning Emergent Gaits with Decentralized Phase Oscillators: on the role of Observations, Rewards, and Feedback [16.290816894141003]
  四足歩行学習のための最小位相発振器モデルを提案する。 位相観察, 単純な位相に基づく報酬, および局所フィードバックのダイナミクスの組み合わせは, 突発的な歩行嗜好を示すポリシーを誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-13T18:46:10Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Intensity Profile Projection: A Framework for Continuous-Time Representation Learning for Dynamic Networks [50.2033914945157]
  本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。 このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。 さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
  論文  参考訳（メタデータ） (2023-06-09T15:38:25Z)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• Impact of dynamics, entanglement, and Markovian noise on the fidelity of few-qubit digital quantum simulation [0.0]
  IBM-Q量子ハードウェアプラットフォーム上で実行される量子ソートゥースマップのハミルトンシミュレーション。 IBM-Q量子ハードウェアプラットフォーム上で実行される量子ソートゥースマップのデジタルハミルトンシミュレーション。 ゲートベースリンドブラッドノイズモデルでは, ゲート動作中の緩和と劣化の効果的な変化を捉えている。
  論文  参考訳（メタデータ） (2022-06-10T01:21:04Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。