論文の概要: Dissipative Learning: A Framework for Viable Adaptive Systems

• arxiv url: http://arxiv.org/abs/2601.17933v1
• Date: Sun, 25 Jan 2026 18:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.546658
• Title: Dissipative Learning: A Framework for Viable Adaptive Systems
• Title（参考訳）: Dissipative Learning: 適応型システムのためのフレームワーク
• Authors: Laurent Caraffa,
• Abstract要約: 本稿では, BEDS(Bayesian Emergent Dissipative Structures)フレームワークを導入し, 分散制約下での圧縮信念状態の進化として学習をモデル化する。 中心的な貢献は最適性定理であり、ユークリッド距離よりも情報拡散による変化を測定するフィッシャー・ラオ正則化が唯一の熱力学的最適正則化戦略であることを示している。
• 参考スコア（独自算出の注目度）: 0.6345523830122167
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a perspective in which learning is an intrinsically dissipative process. Forgetting and regularization are not heuristic add-ons but structural requirements for adaptive systems. Drawing on information theory, thermodynamics, and information geometry, we introduce the BEDS (Bayesian Emergent Dissipative Structures) framework, modeling learning as the evolution of compressed belief states under dissipation constraints. A central contribution is the Conditional Optimality Theorem, showing that Fisher-Rao regularization measuring change via information divergence rather than Euclidean distance is the unique thermodynamically optimal regularization strategy, achieving minimal dissipation. Euclidean regularization is shown to be structurally suboptimal. The framework unifies existing methods (Ridge, SIGReg, EMA, SAC) as special cases of a single governing equation. Within this view, overfitting corresponds to over-crystallization, while catastrophic forgetting reflects insufficient dissipation control. The framework distinguishes BEDS-crystallizable problems, where beliefs converge to stable equilibria, from BEDS-maintainable problems, which require continual adaptation. It extends naturally to continual and multi-agent systems, where viability, stability under adaptation and finite resources replaces asymptotic optimality as the primary criterion. Overall, this work reframes learning as maintaining viable belief states under dissipation constraints, providing a principled lens on forgetting, regularization, and stability.
• Abstract（参考訳）: 本稿では,学習が本質的な散逸過程である視点を提案する。 蓄積と正規化はヒューリスティックなアドオンではなく、適応システムの構造的な要件である。 本稿では,情報理論,熱力学,情報幾何学に基づいて,分散制約下での圧縮信念状態の進化として学習をモデル化するBEDS(Bayesian Emergent Dissipative Structures)フレームワークを紹介する。 中心的な貢献は条件最適理論であり、ユークリッド距離よりも情報分散による変化を測定するフィッシャー・ラオ正則化が唯一の熱力学的最適正則化戦略であり、最小の散逸を達成することを示した。 ユークリッド正則化は構造的に準最適であることが示されている。 このフレームワークは、既存の手法(Ridge, SIGReg, EMA, SAC)を単一の支配方程式の特別な場合として統一する。 この観点では、過剰適合は過剰結晶化に対応し、破滅的な忘れ物は十分な散逸制御を反映している。 この枠組みは、信念が安定した平衡に収束するBEDS結晶化可能問題と、連続的な適応を必要とするBEDS保守可能問題とを区別する。 自然に連続的および多エージェントシステムに拡張され、生存性、適応時の安定性、および有限資源が一次基準として漸近的最適性を置き換える。 全体として、この研究は学習を、消散制約の下で実行可能な信念状態を維持するものとして再編成し、忘れ、規則化、安定性に関する原則化されたレンズを提供する。

関連論文リスト

• BEDS : Bayesian Emergent Dissipative Structures : A Formal Framework for Continuous Inference Under Energy Constraints [0.6345523830122167]
  本稿では,エネルギー制約下での信念を継続的に維持しなくてはならない推論システムを解析するための公式なフレームワークであるBEDSを紹介する。 我々はエネルギー、精度、散逸を結びつける中心的な結果を証明する。 Gdel-Landauer-Prigogine予想(英語版)を提案し、形式系、計算、熱力学にまたがる閉包経路が共通の構造を持つことを示唆する。
  論文  参考訳（メタデータ） (2026-01-05T18:21:02Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Physically consistent model learning for reaction-diffusion systems [0.0]
  本稿では,構造化モデル学習のための正規化に基づくフレームワークを構築する。 本研究では, 物質保存や準正則といった物理特性を学習プロセスに直接組み込む方法について検討する。
  論文  参考訳（メタデータ） (2025-12-16T09:51:41Z)
• LILAD: Learning In-context Lyapunov-stable Adaptive Dynamics Models [4.66260462241022]
  LILADは、安定性と適応性を共同で保証する、システム識別のための新しいフレームワークである。 我々は、LILADをベンチマーク自律システム上で評価し、適応性、堅牢性、非適応性のベースラインを予測精度で上回ることを示す。
  論文  参考訳（メタデータ） (2025-11-26T19:20:49Z)
• Rediscovering Entropy Regularization: Adaptive Coefficient Unlocks Its Potential for LLM Reinforcement Learning [55.59724323303857]
  本稿では,3つのコンポーネントによる探索と利用のバランスをとるフレームワークを提案する。 複数の数学的推論ベンチマークの実験は、AERが一貫してベースラインを上回り、推論精度と探索能力の両方を改善していることを示している。
  論文  参考訳（メタデータ） (2025-10-13T03:10:26Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Generalized Incremental Learning under Concept Drift across Evolving Data Streams [32.62505920071586]
  実世界のデータストリームは、概念の漂流を特徴とする固有の非定常性を示し、適応学習システムにとって重要な課題となっている。 我々は,GILCD (Generalized Incremental Learning under Concept Drift) を定式化し,オープン環境ストリーミング環境における分布空間とラベル空間の連成進化を特徴付ける。 本稿では,新しいプロトタイプをベース表現と融合させ,新しいクラス識別を安定的に実現するCalibrated Source-Free Adaptation (CSFA)を提案する。
  論文  参考訳（メタデータ） (2025-06-06T04:36:24Z)
• On the Stability of Nonlinear Receding Horizon Control: A Geometric Perspective [72.7951562665449]
  産業における非線形回帰制御(RHC)戦略の広範な採用には30年以上がかかる。 本稿では,グローバル・ジオメトリの役割を理解するための第一歩として,グローバル・ベース・コントロールの役割について述べる。
  論文  参考訳（メタデータ） (2021-03-27T22:59:37Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。