論文の概要: Enhanced Mycelium of Thought (EMoT): A Bio-Inspired Hierarchical Reasoning Architecture with Strategic Dormancy and Mnemonic Encoding
- arxiv url: http://arxiv.org/abs/2603.24065v1
- Date: Wed, 25 Mar 2026 08:18:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-26 21:06:11.205488
- Title: Enhanced Mycelium of Thought (EMoT): A Bio-Inspired Hierarchical Reasoning Architecture with Strategic Dormancy and Mnemonic Encoding
- Title（参考訳）: 思考の菌糸体増強(EMoT) : 戦略的休眠とMnモンエンコーディングによるバイオインスパイアされた階層的推論アーキテクチャ
- Authors: Florian Odi Stummer,
- Abstract要約: Enhanced Mycelium of Thought (EMoT)は、認知処理を4段階の階層にまとめるバイオインスパイアされた推論アーキテクチャである。
EMoTは複雑なマルチドメイン問題のプロトタイプであり、汎用的なプロンプトエンハンスメントではない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Current prompting paradigms for large language models (LLMs), including Chain-of-Thought (CoT) and Tree-of-Thoughts (ToT), follow linear or tree-structured reasoning paths that lack persistent memory, strategic dormancy, and cross-domain synthesis. We present the Enhanced Mycelium of Thought (EMoT) framework, a bio-inspired reasoning architecture that organises cognitive processing into a four-level hierarchy (Micro, Meso, Macro, Meta), implements strategic dormancy and reactivation of reasoning nodes, and integrates a Memory Palace with five mnemonic encoding styles. EMoT is a research prototype for complex, multi-domain problems, not a general-purpose prompting enhancement. Two complementary evaluations reveal a characteristic trade-off. In a blind LLM-as-Judge evaluation across three domains, EMoT achieved near-parity with CoT (4.20 vs. 4.33/5.0) with higher stability, and outperformed CoT on Cross-Domain Synthesis (4.8 vs. 4.4). Ablation studies show that strategic dormancy is architecturally essential (quality collapsed from 4.2 to 1.0 when disabled). On a 15-item short-answer benchmark, EMoT (27%) substantially underperformed simpler baselines, confirming systematic overthinking on simple problems. These results are subject to important limitations: small sample sizes (n=3 complex cases, n=15 short-answer items), LLM-as-Judge evaluation with potential self-preference bias, and approximately 33-fold computational cost overhead. To our knowledge, EMoT is the first reasoning framework to combine hierarchical topology, strategic thought dormancy with reactivation, and mnemonic memory encoding in a single architecture.
- Abstract（参考訳）: CoT(Chain-of-Thoughts)やToT(Tree-of-Thoughts)など、大規模言語モデル(LLM)の現在のプロンプトパラダイムは、永続メモリ、戦略的休眠、クロスドメイン合成に欠ける線形またはツリー構造化の推論パスに従う。
本稿では,認知処理を4段階階層(Micro,Meso,Macro,Meta)に編成し,戦略的休眠と推論ノードの再活性化を実現し,メモリパレスを5つのメンモニック符号化スタイルに統合するバイオインスピレーションド推論アーキテクチャであるEMoTフレームワークを提案する。
EMoTは複雑なマルチドメイン問題のプロトタイプであり、汎用的なプロンプトエンハンスメントではない。
2つの相補的な評価は、特徴的なトレードオフを示している。
3つの領域にわたるLCM-as-Judge評価において、EMoTはCoT(4.20 vs. 4.33/5.0)を高い安定性で、CoTをクロスドメイン合成(4.8 vs. 4.4)で上回った。
アブレーション研究により、戦略的休眠はアーキテクチャ上必須であることが示されている(品質は障害時に4.2から1.0に低下する)。
15項目のショート・アンサー・ベンチマークでは、EMoT (27%) は、単純な問題に対して体系的に過大評価された。
これらの結果は,小サンプルサイズ(n=3複素ケース,n=15短解答項目),自己選好バイアスを伴うLCM-as-Judge評価,約33倍の計算コストオーバーヘッドなど,重要な制約が課される。
私たちの知る限り、EMoTは階層的トポロジ、戦略的思考休眠と再活性化を組み合わせ、1つのアーキテクチャでモニーモニックメモリを符号化する最初の推論フレームワークです。
関連論文リスト
- Think Fast and Slow: Step-Level Cognitive Depth Adaptation for LLM Agents [49.119608399413806]
大規模言語モデル(LLM)は、多ターン意思決定タスクのための自律エージェントとして、ますます多くデプロイされている。
本稿では,エージェントが各ステップで認知深度を動的に適応するように訓練するフレームワークであるCogを紹介する。
ALFWorldとScienceWorldの実験では、Cogは最先端のパフォーマンスを優れた効率で達成している。
論文 参考訳（メタデータ） (2026-02-13T06:52:09Z) - RIGA-Fold: A General Framework for Protein Inverse Folding via Recurrent Interaction and Geometric Awareness [14.42786271490985]
RIGA-Foldは、リカレントインタラクションと幾何学的認識を相乗化するフレームワークである。
構造的モダリティとシーケンス的モダリティのギャップを埋めるために、強化された変種RIGA-Fold*を導入する。
我々のフレームワークは、シーケンス回復と構造的整合性の両方において、最先端のベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-04T15:07:13Z) - SpatialTree: How Spatial Abilities Branch Out in MLLMs [109.32057088014942]
低レベル知覚(L1)、メンタルマッピング(L2)、シミュレーション(L3)、エージェント能力(L4)の4つのレベルに空間能力を整理する認知科学に着想を得た階層を導入する。
複雑な推論には役立ちますが、直感的な知覚を損ないます。
本稿では,不必要な熟考を抑制するシンプルな自己思考戦略を提案する。
論文 参考訳（メタデータ） (2025-12-23T18:59:46Z) - CMOMgen: Complex Multi-Ontology Alignment via Pattern-Guided In-Context Learning [0.45880283710344066]
複合マルチオントロジーマッチング(CMOM)は、1つのソースエンティティを複数のターゲットエンティティの複合論理式に整合させる。
CMOMgenは、ターゲットやエンティティの数を制限することなくセマンティックマッピングを生成する最初のエンドツーエンド戦略である。
論文 参考訳（メタデータ） (2025-10-24T17:12:22Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z) - Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。
既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。
近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。
KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
論文 参考訳（メタデータ） (2025-06-11T12:03:52Z) - Self-Discover: Large Language Models Self-Compose Reasoning Structures [136.48389510481758]
タスク固有の推論構造を自己発見するフレームワークであるSELF-DISCOVERを紹介する。
SELF-DISCOVERは、挑戦的推論ベンチマークにおいて、GPT-4とPaLM 2の性能を大幅に改善する。
自己発見推論構造は、モデルファミリー全体にわたって普遍的に適用可能であることを示す。
論文 参考訳（メタデータ） (2024-02-06T01:13:53Z) - Modeling Human Sentence Processing with Left-Corner Recurrent Neural
Network Grammars [10.232142358698605]
計算言語学では、階層構造が言語モデル(LM)をより人間らしくすることが示された。
本稿では,階層構造がLMをより人間らしくするかどうかを考察し,その場合,どの解析戦略が最も認知的に妥当かを検討した。
論文 参考訳（メタデータ） (2021-09-10T15:35:00Z) - ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and
Gradient Accumulation [106.04777600352743]
微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。
シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。
メモリフレンドリーだが、計算コストも低い。
RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-23T06:34:07Z)
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。