論文の概要: SMGI: A Structural Theory of General Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2603.07896v1
- Date: Mon, 09 Mar 2026 02:31:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.347321
- Title: SMGI: A Structural Theory of General Artificial Intelligence
- Title（参考訳）: SMGI : 汎用人工知能の構造理論
- Abstract要約: 入力メタモデル$= (r,mathcal H,,mathcal L,mathcal E,mathcal M)$を介して一般知能構造モデル(SMGI)を定式化する。
我々は、汎用人工知能を、4つの義務を満たす許容可能な結合力学のクラスとして定義する。
逐次PAC-Bayes解析とリャプノフ安定性を結びつける構造一般化境界を証明した。
- 参考スコア（独自算出の注目度）: 2.538209532048866
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce SMGI, a structural theory of general artificial intelligence, and recast the foundational problem of learning from the optimization of hypotheses within fixed environments to the controlled evolution of the learning interface itself. We formalize the Structural Model of General Intelligence (SMGI) via a typed meta-model $θ= (r,\mathcal H,Π,\mathcal L,\mathcal E,\mathcal M)$ that treats representational maps, hypothesis spaces, structural priors, multi-regime evaluators, and memory operators as explicitly typed, dynamic components. By enforcing a strict mathematical separation between this structural ontology ($θ$) and its induced behavioral semantics ($T_θ$), we define general artificial intelligence as a class of admissible coupled dynamics $(θ, T_θ)$ satisfying four obligations: structural closure under typed transformations, dynamical stability under certified evolution, bounded statistical capacity, and evaluative invariance across regime shifts. We prove a structural generalization bound that links sequential PAC-Bayes analysis and Lyapunov stability, providing sufficient conditions for capacity control and bounded drift under admissible task transformations. Furthermore, we establish a strict structural inclusion theorem demonstrating that classical empirical risk minimization, reinforcement learning, program-prior models (Solomonoff-style), and modern frontier agentic pipelines operate as structurally restricted instances of SMGI.
- Abstract（参考訳）: 汎用人工知能の構造理論であるSMGIを導入し、固定環境における仮説の最適化から学習インタフェース自体の制御された進化へ学習の基礎的問題を再放送する。
書式付きメタモデル $θ= (r,\mathcal H,\,\mathcal L,\mathcal E,\mathcal M)$ により一般知能構造モデル (SMGI) を定式化し、表象写像、仮説空間、構造事前、マルチレジーム評価器、メモリ演算子を明示的に型付けされた動的成分として扱う。
この構造オントロジー(θ$)とその誘導的行動意味論(T_θ$)を厳密に数学的に分離することにより、一般人工知能を許容可能な結合力学のクラスとして定義する。
我々は、逐次PAC-Bayes解析とリャプノフ安定性を結び、許容的なタスク変換の下での容量制御と有界ドリフトに十分な条件を与える構造的一般化を証明した。
さらに,古典的経験的リスク最小化,強化学習,プログラム・プライアモデル(ソロモノフ型),現代のフロンティア・エージェント・パイプラインがSMGIの構造的に制限されたインスタンスとして動作することを示す厳密な構造包含定理を確立した。
関連論文リスト
- From Application-Layer Simulation to Native Meta-Architecture: Structural Tension as an Endogenous Driver for Heterogeneous AI Evolution [0.0]
現在の大規模言語モデル(LLM)は、推論セッション間でステートレスである。
本稿では,アプリケーション層認知プロトコルをネイティブなメタアーキテクチャに組み込むための理論的枠組みを提案する。
論文 参考訳（メタデータ） (2026-07-07T13:34:27Z) - Learning Time-Inhomogeneous Markov Dynamics in Financial Time Series via Neural Parameterization [0.0]
本稿では、ニューラルネットワークをパラメータ化エンジンとして厳密に活用して、明示的で時間的なマルコフ遷移行列を生成するフレームワークを提案する。
ニューラルネットワークが予測を形式演算子として出力することを制約することにより、完全な構造的解釈可能性を維持する。
このフレームワークは、複雑な実世界の時系列に対して厳密で古典的な演算子分析を実行可能なものにするために、ニューラルネットワークをいかに制約するかを示す。
論文 参考訳（メタデータ） (2026-05-06T09:39:04Z) - Information as Maximum-Caliber Deviation: A bridge between Integrated Information Theory and the Free Energy Principle [51.56484100374058]
この研究は、情報が有限時間地平線上の制約付き最大曲率(MaxCal)パスアンサンブルから実現された力学の偏差$$$として定義されることを示唆している。
この定義の下では、IIT 3.0の中心となる原因/影響レパートリーは、MaxCalの変分原理から直接現れる。
情報$$は、付随する予測符号化モデルの下での予測誤差と同値である。
論文 参考訳（メタデータ） (2026-05-03T07:22:55Z) - OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。
OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。
我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文 参考訳（メタデータ） (2026-03-16T18:29:01Z) - A Geometrically-Grounded Drive for MDL-Based Optimization in Deep Learning [3.2452107817263003]
本稿では,MDL(Minimum Description Length)の原理を深層ニューラルネットワークのトレーニング力学に根本的に統合する,新しい最適化フレームワークを提案する。
我々は、数値安定性(Theoremrefthm:stability)と凸性仮定の下での指数収束(Theoremrefthm:convergence_rate)の保証とともに、$O(N log N)$ per-iteration complexity(Theoremrefthm:complexity)の実用的な計算効率のアルゴリズムを提供する。
この研究は、より自律的で、一般化可能で、解釈可能なAIへの原則化された道を提供する
論文 参考訳（メタデータ） (2026-03-12T08:31:00Z) - TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。
マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。
また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
論文 参考訳（メタデータ） (2026-03-10T10:19:42Z) - OOWM: Structuring Embodied Reasoning and Planning via Object-Oriented Programmatic World Modeling [62.3458279176813]
ソフトウェア工学のフォーマリズムのレンズを通して推論を具体化する新しいフレームワークであるオブジェクト指向世界モデリング(OOWM)を提案する。
OOWMはクラスダイアグラムを使用して、厳密なオブジェクト階層に視覚的知覚を基盤とし、アクティビティダイアグラムを使用して、計画を実行可能な制御フローに運用する。
論文 参考訳（メタデータ） (2026-02-25T16:01:07Z) - Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。
提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。
我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
論文 参考訳（メタデータ） (2026-01-13T00:42:22Z) - 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) - A Mathematical Explanation of Transformers for Large Language Models and GPTs [6.245431127481903]
本稿では,トランスフォーマーを構造化積分微分方程式の離散化として解釈する新しい連続フレームワークを提案する。
この定式化の中で、自己注意機構は非局所積分作用素として自然に現れる。
提案手法は, 連続領域にトランスフォーマー演算全体を埋め込むことにより, 従来の理論的解析を超えて拡張する。
論文 参考訳（メタデータ） (2025-10-05T01:16:08Z) - Information-Theoretic Bounds and Task-Centric Learning Complexity for Real-World Dynamic Nonlinear Systems [0.6875312133832079]
動的非線形系は静的および動的効果の結合による歪みを示す。
本稿では, 構造化分解, 分散解析, タスク中心の複雑性境界に基づく理論的枠組みを提案する。
論文 参考訳（メタデータ） (2025-09-08T12:08:02Z) - Graded Transformers [0.0]
そこで我々は,ベクトル空間上のグレーディングを通じて帰納バイアスを埋め込む新しいシーケンスモデルである Graded Transformer フレームワークを紹介した。
このフレームワークは、以前のモデルの固定グレードの制限を克服し、適応的な特徴優先順位付けを可能にする。
Graded Transformerは、階層的学習とニューロシンボリック推論に対する数学的に原則化されたアプローチを提供する。
論文 参考訳（メタデータ） (2025-07-27T02:34:08Z) - Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。
情報理論構造と統計力学の数学的類似性を確立する。
構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
論文 参考訳（メタデータ） (2025-07-17T21:31:45Z) - Modal Logic for Stratified Becoming: Actualization Beyond Possible Worlds [55.2480439325792]
本稿では,階層化現実化の考え方に基づくモーダル論理の新しいフレームワークを開発する。
伝統的なクリプキ意味論は、モーダル作用素を完全決定的な選択肢に対する定量化として扱う。
本稿では,モダリティをオントロジ的安定性のレベルによってインデクシングするSAL(Stratetified Actualization Logic)を提案する。
論文 参考訳（メタデータ） (2025-06-12T18:35:01Z) - Deep Learning for Individual Heterogeneity [5.075506385456813]
本稿では,深層ニューラルネットワーク(DNN)を構造経済モデルに統合する。
経済構造と機械学習は、代替品ではなく経験的モデリングの補完である。
論文 参考訳（メタデータ） (2020-10-28T01:41:47Z)
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。