論文の概要: Modular Neural Computer

• arxiv url: http://arxiv.org/abs/2603.13323v1
• Date: Wed, 04 Mar 2026 16:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.304033
• Title: Modular Neural Computer
• Title（参考訳）: モジュラニューラルコンピュータ
• Authors: Florin Leon,
• Abstract要約: Modular Neural Computer (MNC) は、可変長入力の正確な計算のためのメモリ拡張型ニューラルネットワークである。 アーキテクチャは、配列の最小値の計算、配列のソート、固定された問題インスタンスでのA*検索の実行の3つのケーススタディで説明されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces the Modular Neural Computer (MNC), a memory-augmented neural architecture for exact algorithmic computation on variable-length inputs. The model combines an external associative memory of scalar cells, explicit read and write heads, a controller multi-layer perceptron (MLP), and a homogeneous set of functional MLP modules. Rather than learning an algorithm end to end from data, it realizes a given algorithm through analytically specified neural components with fixed interfaces and exact behavior. The control flow is represented inside the neural computation through one-hot module gates, where inactive modules are inhibited. Computation unfolds as a sequence of memory transformations generated by a fixed graph. The architecture is illustrated through three case studies: computing the minimum of an array, sorting an array in place, and executing A* search on a fixed problem instance. These examples show that algorithmic procedures can be compiled into modular neural components with external memory while preserving deterministic behavior and explicit intermediate state.
• Abstract（参考訳）: 本稿では、可変長入力の正確なアルゴリズム計算のためのメモリ拡張ニューラルアーキテクチャであるModular Neural Computer (MNC)を紹介する。 このモデルは、スカラー細胞の外部連想メモリ、明示的な読み書きヘッド、コントローラ多層パーセプトロン(MLP)、および機能的MLPモジュールの均一なセットを組み合わせたものである。 データから終端までアルゴリズムを学習する代わりに、一定のインターフェイスと正確な振る舞いを持つ分析的に指定されたニューラルネットワークコンポーネントを通じて、所定のアルゴリズムを実現する。 制御フローは、不活性なモジュールが阻害されるワンホットモジュールゲートを介して、ニューラルネットワーク内で表現される。 計算は固定グラフによって生成されるメモリ変換のシーケンスとして展開される。 アーキテクチャは、配列の最小値の計算、配列のソート、固定された問題インスタンスでのA*検索の実行の3つのケーススタディで説明されている。 これらの例は、決定論的挙動と明示的な中間状態を保持しながら、外部メモリを持つモジュール型ニューラルネットワークコンポーネントにアルゴリズムプロシージャをコンパイル可能であることを示している。

関連論文リスト

• A Computational Model of Learning and Memory Using Structurally Dynamic Cellular Automata [0.0]
  そこで本研究では,生物工学的手法に基づく学習と記憶の数学的・計算モデルを提案する。 実験結果から,1回のトレーニング実行後に報酬状態を再発見するために,モデルが最適に近い選択をすることができることがわかった。
  論文  参考訳（メタデータ） (2024-12-20T17:26:17Z)
• In-Context Language Learning: Architectures and Algorithms [73.93205821154605]
  我々は、文脈言語学習(ICLL)において、私たちが用語する新しいモデル問題群(英語版)のレンズを通してICLを研究する。 我々は,通常のICLLタスクにおいて,多種多様なニューラルシーケンスモデルを評価する。
  論文  参考訳（メタデータ） (2024-01-23T18:59:21Z)
• A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
  本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。 本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
  論文  参考訳（メタデータ） (2022-11-22T16:30:33Z)
• Neural-Symbolic Integration: A Compositional Perspective [8.566457170664926]
  ニューラルシステムとシンボリックシステムをどのように両立させるかという問題は未解決のままである。 私たちの研究は、この2つのシステムをブラックボックスとして扱い、モジュールとして単一のアーキテクチャに統合することで、このギャップを埋めようとしている。 シンボリックモジュールがニューラルモジュールとクリーンに統合できることを示し、後者の効率的なトレーニングを促進することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:55:44Z)
• Neural Function Modules with Sparse Arguments: A Dynamic Approach to Integrating Information across Layers [84.57980167400513]
  Neural Function Modules (NFM)は、ディープラーニングに同じ構造機能を導入することを目的としている。 トップダウンとボトムアップのフィードバックを組み合わせたフィードフォワードネットワークのコンテキストにおける作業のほとんどは、分類の問題に限られている。 私たちの仕事の重要な貢献は、フレキシブルなアルゴリズムで注意、疎結合、トップダウン、ボトムアップのフィードバックを組み合わせることです。
  論文  参考訳（メタデータ） (2020-10-15T20:43:17Z)
• RE-MIMO: Recurrent and Permutation Equivariant Neural MIMO Detection [85.44877328116881]
  無線通信システムにおけるシンボル検出のための新しいニューラルネットワークを提案する。 無線通信システムにおけるいくつかの重要な考察に動機付けられている。 その性能を既存手法と比較し,ネットワークが可変数の送信機を効率的に処理できることを示す。
  論文  参考訳（メタデータ） (2020-06-30T22:43:01Z)
• Incremental Training of a Recurrent Neural Network Exploiting a Multi-Scale Dynamic Memory [79.42778415729475]
  本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。 隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。 新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
  論文  参考訳（メタデータ） (2020-06-29T08:35:49Z)

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。