論文の概要: Telogenesis: Goal Is All U Need

• arxiv url: http://arxiv.org/abs/2603.09476v1
• Date: Tue, 10 Mar 2026 10:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.231109
• Title: Telogenesis: Goal Is All U Need
• Title（参考訳）: テロ生成:ゴールは必要なものすべて
• Authors: Zhuoran Deng, Yizhi Zhang, Ziyi Zhang, Wan Shen,
• Abstract要約: 本稿では,3つのギャップ(無知,驚き,安定度)から観測目標を生成する優先度関数を提案する。 最小のアテンションアロケーション環境(2000ラン)と、モジュラーで部分的に観測可能な世界(500ラン)の2つのシステムでこれを検証します。 大域的な予測エラーの下では、カバレッジベースのローテーションが勝利し、変更検出遅延下では、優先度誘導されたアロケーションが勝利し、次元とともに単調に成長する。
• 参考スコア（独自算出の注目度）: 8.585574846949628
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Goal-conditioned systems assume goals are provided externally. We ask whether attentional priorities can emerge endogenously from an agent's internal cognitive state. We propose a priority function that generates observation targets from three epistemic gaps: ignorance (posterior variance), surprise (prediction error), and staleness (temporal decay of confidence in unobserved variables). We validate this in two systems: a minimal attention-allocation environment (2,000 runs) and a modular, partially observable world (500 runs). Ablation shows each component is necessary. A key finding is metric-dependent reversal: under global prediction error, coverage-based rotation wins; under change detection latency, priority-guided allocation wins, with advantage growing monotonically with dimensionality (d = -0.95 at N=48, p < 10^-6). Detection latency follows a power law in attention budget, with a steeper exponent for priority-guided allocation (0.55 vs. 0.40). When the decay rate is made learnable per variable, the system spontaneously recovers environmental volatility structure without supervision (t = 22.5, p < 10^-6). We demonstrate that epistemic gaps alone, without external reward, suffice to generate adaptive priorities that outperform fixed strategies and recover latent environmental structure.
• Abstract（参考訳）: ゴール条件付きシステムは、ゴールが外部に提供されると仮定する。 エージェントの内的認知状態から、注意の優先順位が不均一に現れるかどうかを問う。 本研究では,無知(後部分散),驚き(予測誤差),安定度(観測変数における信頼の時間減衰)の3つの相違点から観測目標を生成する優先度関数を提案する。 最小のアテンションアロケーション環境(2000ラン)と、モジュラーで部分的に観測可能な世界(500ラン)の2つのシステムでこれを検証します。 アブレーションは各コンポーネントが必要であることを示している。 大域的予測誤差の下では、カバレッジベースのローテーションが勝利し、変更検出遅延下では、優先度誘導されたアロケーションが勝利し、次元で単調に成長する(d = -0.95 at N=48, p < 10^-6)。 検出遅延は、注意予算における電力法則に従い、優先度誘導割当(0.55対0.40)の指数が急上昇する。 減衰率を変数毎に学習可能とすると、システムは自然に環境のボラティリティ構造を監督せずに回復する(t = 22.5, p < 10^-6)。 以上の結果から,外的報酬を伴わないだけで,定型戦略を上回り,潜伏した環境構造を回復する適応的優先順位を生成するのに十分であることが示された。

関連論文リスト

• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• Nearly Optimal Bayesian Inference for Structural Missingness [23.988531482641307]
  ベイズ的な見方では、後続の予測分布による予測は、完全なモデル後続の不確実性の上に統合される。 このフレームワークは、(II)ラベル予測からモデル内の欠損値後部を学習し、予測後部分布を最適化する。 43の分類と15の計算ベンチマークでSOTAを達成し、ベイズ最適性保証の近くに有限サンプルを持つ。
  論文  参考訳（メタデータ） (2026-01-26T14:03:11Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction [5.38274042816001]
  観測データでは、分布シフトは観測されていない共起因子によって駆動されることが多い。 このことは、観測データを用いた領域適応問題の研究を動機付けます。 学習した低次元部分空間を用いて、ターゲットとソースのリスクの間にほぼ理想的なギャップを生じさせるモデルを示す。
  論文  参考訳（メタデータ） (2024-06-22T17:43:08Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)

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。