Fugu-MT 論文翻訳(概要): Minimal Computational Preconditions for Subjective Perspective in Artificial Agents

論文の概要: Minimal Computational Preconditions for Subjective Perspective in Artificial Agents

arxiv url: http://arxiv.org/abs/2602.02902v1
Date: Mon, 02 Feb 2026 23:18:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-04 18:37:15.131277
Title: Minimal Computational Preconditions for Subjective Perspective in Artificial Agents
Title（参考訳）: 人工エージェントの主観的視点のための最小計算条件
Authors: Hongju Pae,
Abstract要約: 本研究は, ミニマルかつ現象学的に動機づけられた内部構造に接地することで, 人工エージェントの主観的視点を運用する。政権交代を伴う報酬のない環境では、この潜伏構造は方向依存を示すが、政策レベルの挙動は比較的反応性が保たれている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This study operationalizes subjective perspective in artificial agents by grounding it in a minimal, phenomenologically motivated internal structure. The perspective is implemented as a slowly evolving global latent state that modulates fast policy dynamics without being directly optimized for behavioral consequences. In a reward-free environment with regime shifts, this latent structure exhibits direction-dependent hysteresis, while policy-level behavior remains comparatively reactive. I argue that such hysteresis constitutes a measurable signature of perspective-like subjectivity in machine systems.
Abstract（参考訳）: 本研究は, ミニマルかつ現象学的に動機づけられた内部構造に接地することで, 人工エージェントの主観的視点を運用する。この観点は、行動結果に直接最適化されることなく、高速なポリシーダイナミクスを変調する、徐々に進化するグローバル潜在状態として実装されている。政権交代を伴う報酬のない環境では、この潜伏構造は方向依存のヒステリシスを示すが、政策レベルの行動は比較的反応性が保たれている。このようなヒステリシスは、機械システムにおける視点的主観性の計測可能なシグネチャを構成すると私は主張する。

関連論文リスト

Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。 WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
論文参考訳（メタデータ） (2026-01-19T17:33:31Z)
Self-motion as a structural prior for coherent and robust formation of cognitive maps [31.112944521126135]
自己運動は学習された認知地図の幾何学を積極的に整理する構造的先行として振る舞うことができることを示す。我々は、キャパシティ効率、脳にインスパイアされたリカレントメカニズムを用いて実装された予測符号化フレームワークに、経路積分に基づく動作を前もって組み込む。力学解析により、先行運動自体が厳密な制約の下で幾何学的に正確な軌道を符号化していることが明らかになった。
論文参考訳（メタデータ） (2025-12-23T04:28:52Z)
VisionLaw: Inferring Interpretable Intrinsic Dynamics from Visual Observations via Bilevel Optimization [3.131272328696594]
VisionLawは、視覚的な観察から固有の力学の解釈可能な表現を推論する二段階最適化フレームワークである。既存の最先端手法を著しく上回り、新しいシナリオにおける対話型シミュレーションの強力な一般化を示す。
論文参考訳（メタデータ） (2025-08-19T12:52:16Z)
Situationally-Aware Dynamics Learning [57.698553219660376]
隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
論文参考訳（メタデータ） (2025-05-26T06:40:11Z)
Embodied World Models Emerge from Navigational Task in Open-Ended Environments [5.785697934050656]
プロシージャ的に生成された平面迷路を解決するために,スパース報酬のみで訓練された反復エージェントが,方向,距離,障害物レイアウトなどの計量概念を自律的に内部化できるかどうかを問う。トレーニングの後、エージェントは、下層の空間モデルにヒントを与える行動である、見えない迷路において、常に準最適経路を生成する。
論文参考訳（メタデータ） (2025-04-15T17:35:13Z)
Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
論文参考訳（メタデータ） (2025-03-20T12:28:08Z)
Overcoming Non-stationary Dynamics with Evidential Proximal Policy Optimization [11.320660946946523]
非定常環境の継続的な制御は、深層強化学習アルゴリズムの大きな課題である。我々は、明白な批評家と政治上の強化学習を行うことが両立していることを示す。我々は,政策評価と政策改善の段階において,明らかな不確実性定量化の不可欠な役割から,結果のアルゴリズムであるemphEvidential Proximal Policy Optimization (EPPO) を命名した。
論文参考訳（メタデータ） (2025-03-03T12:23:07Z)
Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-10T17:04:39Z)
Information is Power: Intrinsic Control via Information Capture [110.3143711650806]
我々は,潜時状態空間モデルを用いて推定したエージェントの状態訪問のエントロピーを最小化する,コンパクトで汎用的な学習目的を論じる。この目的は、不確実性の低減に対応する環境情報収集と、将来の世界状態の予測不可能性の低減に対応する環境制御の両方をエージェントに誘導する。
論文参考訳（メタデータ） (2021-12-07T18:50:42Z)
Ecological Reinforcement Learning [76.9893572776141]
このような条件下での学習を容易にする環境特性について検討する。環境の特性が強化学習エージェントのパフォーマンスにどのように影響するかを理解することは、学習を魅力的にする方法でタスクを構造化するのに役立ちます。
論文参考訳（メタデータ） (2020-06-22T17:55:03Z)

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。