論文の概要: Predictive Associative Memory: Retrieval Beyond Similarity Through Temporal Co-occurrence

• arxiv url: http://arxiv.org/abs/2602.11322v1
• Date: Wed, 11 Feb 2026 19:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.513095
• Title: Predictive Associative Memory: Retrieval Beyond Similarity Through Temporal Co-occurrence
• Title（参考訳）: 予測的連想記憶:時間的共起による類似性を超えた検索
• Authors: Jason Dury,
• Abstract要約: 時間的共起で訓練されたJEPAスタイルの予測器は、埋め込み空間の連想構造をナビゲートする。 我々は,PAMを連想的リコールシステムとして評価し,経験者団体に対するリコールの忠実さを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current approaches to memory in neural systems rely on similarity-based retrieval: given a query, find the most representationally similar stored state. This assumption -- that useful memories are similar memories -- fails to capture a fundamental property of biological memory: association through temporal co-occurrence. We propose Predictive Associative Memory (PAM), an architecture in which a JEPA-style predictor, trained on temporal co-occurrence within a continuous experience stream, learns to navigate the associative structure of an embedding space. We introduce an Inward JEPA that operates over stored experience (predicting associatively reachable past states) as the complement to the standard Outward JEPA that operates over incoming sensory data (predicting future states). We evaluate PAM as an associative recall system -- testing faithfulness of recall for experienced associations -- rather than as a retrieval system evaluated on generalisation to unseen associations. On a synthetic benchmark, the predictor's top retrieval is a true temporal associate 97% of the time (Association Precision@1 = 0.970); it achieves cross-boundary Recall@20 = 0.421 where cosine similarity scores zero; and it separates experienced-together from never-experienced-together states with a discrimination AUC of 0.916 (cosine: 0.789). Even restricted to cross-room pairs where embedding similarity is uninformative, the predictor achieves AUC = 0.849 (cosine: 0.503, chance). A temporal shuffle control confirms the signal is genuine temporal co-occurrence structure, not embedding geometry: shuffling collapses cross-boundary recall by 90%, replicated across training seeds. All results are stable across seeds (SD < 0.006) and query selections (SD $\leq$ 0.012).
• Abstract（参考訳）: ニューラルネットワークのメモリに対する現在のアプローチは、類似性に基づく検索に依存している。 有用な記憶が類似した記憶であるというこの仮定は、生物学的記憶の基本的な特性、すなわち時間的共起を通しての関連を捉えることに失敗する。 本稿では,JEPAスタイルの予測器が連続的体験ストリーム内の時間的共起に基づいて学習し,埋め込み空間の連想構造をナビゲートするアーキテクチャである予測的連想記憶(PAM)を提案する。 入力された知覚データ(将来の状態を予測する)を介して動作する標準のOutward JEPAの補完として、格納されたエクスペリエンス(連想的に到達可能な過去の状態を予測する)を操作するInward JEPAを紹介します。 我々は,PAMを,認識不能な協会への一般化に基づいて評価された検索システムではなく,経験的協会に対するリコールの忠実性をテストする,連想的リコールシステムとして評価する。 アソシエーション精度@1 = 0.970)、コサイン類似度が0となるようなクロスバウンダリーなリコール@20 = 0.421、そして0.916(コサイン: 0.789)の識別を持つ経験豊富な状態と、経験のない状態とを分離する。 組込み類似性が非形式的なクロスルームペアに制限される場合でさえ、予測子は AUC = 0.849 (cosine: 0.503, chance) を達成する。 時間的シャッフル制御は、信号が真の時間的共起構造であり、埋め込み幾何学ではないことを確認している。 すべての結果は種子(SD < 0.006)とクエリ選択(SD $\leq$ 0.012)で安定している。

関連論文リスト

• GAM-RAG: Gain-Adaptive Memory for Evolving Retrieval in Retrieval-Augmented Generation [16.737829113782126]
  Retrieval-Augmented Generation (RAG) は、大規模な言語モデルに外部の証拠を付けているが、多くの実装では、構築後も静的なインデックスに依存している。 認知神経科学におけるスキーマに基づく学習をモチベーションとして,繰り返しクエリや関連するクエリから検索経験を蓄積する学習自由フレームワークであるGAM-RAGを提案する。 GAM-RAGは、リンクが固定的な意味関係ではなく、潜在的な共起をキャプチャする、軽量で無関係な階層インデックスを構築している。
  論文  参考訳（メタデータ） (2026-03-02T12:09:17Z)
• Entropic Efficiency of Bayesian Inference Protocols [0.8594140167290097]
  推論は、科学的発見、機械学習、日々の意思決定の基盤となる汎用的なツールである。 我々は、情報ゲインと累積メモリ消去コストの比率として、推論効率を定義する。 我々は、同じメモリを反復的に活用するシーケンシャルと、多くのメモリを同時に活用する並列という、2つの制限測定パラダイムをベンチマークする。
  論文  参考訳（メタデータ） (2026-01-24T03:43:38Z)
• Forgetting as a Feature: Cognitive Alignment of Large Language Models [39.146761527401424]
  本研究では,Large Language Models (LLM) が過去の情報を体系的に忘れていることを示す。 人間の記憶力学からインスピレーションを得て,LLM推論を指数的崩壊によって支配される確率的記憶過程としてモデル化する。 これらの観測に基づいて,人間のような記憶崩壊を模倣するエビデンス統合を形作る軽量な戦略である確率的記憶促進法を提案する。
  論文  参考訳（メタデータ） (2025-12-28T10:43:00Z)
• Memory-T1: Reinforcement Learning for Temporal Reasoning in Multi-session Agents [80.33280979339123]
  強化学習(RL)を用いた時間認識メモリ選択ポリシーを学習するフレームワークであるMemory-T1を紹介する。 Time-Dialogベンチマークでは、Memory-T1が7Bモデルを67.0%に引き上げ、オープンソースモデルの新たな最先端パフォーマンスを確立した。
  論文  参考訳（メタデータ） (2025-12-23T06:37:29Z)
• Machine Generalize Learning in Agent-Based Models: Going Beyond Surrogate Models for Calibration in ABMs [0.0]
  キャリブレーションエージェントベースの疫病モデルは、計算的に要求されている。 本稿では,流行時系列からSIRパラメータへの逆写像を学習する教師付き機械学習校正器を提案する。
  論文  参考訳（メタデータ） (2025-09-06T18:28:00Z)
• Temporal Vegetation Index-Based Unsupervised Crop Stress Detection via Eigenvector-Guided Contrastive Learning [0.0]
  EigenCLは、時間的NDREダイナミクスによってガイドされる教師なしのコントラスト学習フレームワークである。 データスカース農業環境における実世界の展開に適している。
  論文  参考訳（メタデータ） (2025-06-03T21:06:26Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• CoSeg: Cognitively Inspired Unsupervised Generic Event Segmentation [118.18977078626776]
  イベントセグメンテーション/バウンダリ検出のためのエンドツーエンドの自己教師型学習フレームワークを提案する。 本フレームワークは, イベント境界を再構成誤差で検出するトランスフォーマーに基づく特徴再構成手法を利用する。 私たちの研究の目標は、特定のイベントをローカライズするのではなく、ジェネリックイベントをセグメント化することです。
  論文  参考訳（メタデータ） (2021-09-30T14:40:32Z)
• Complex Event Forecasting with Prediction Suffix Trees: Extended Technical Report [70.7321040534471]
  複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。 このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。 複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-01T09:52:31Z)
• Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
  SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
  論文  参考訳（メタデータ） (2021-05-16T09:13:56Z)
• Temporal Memory Relation Network for Workflow Recognition from Surgical Video [53.20825496640025]
  本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。 我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
  論文  参考訳（メタデータ） (2021-03-30T13:20:26Z)
• Large-Scale Extended Granger Causality for Classification of Marijuana Users From Functional MRI [0.0]
  マリファナの使用は脳ネットワーク接続の変化と関連していることが文献で示されている。 本研究では,lsXGC(Extended Granger Causality)を提案し,静止状態fMRIを用いてその変化を捉えるかどうかを検討する。 本研究では,小児期にADHDと診断された成人136名を対象に,マリファナユーザを典型的制御から分類するバイオマーカーとして機能するかどうかを検討する。
  論文  参考訳（メタデータ） (2021-01-06T00:40:47Z)

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。