論文の概要: Symbolic-Vector Attention Fusion for Collective Intelligence

• arxiv url: http://arxiv.org/abs/2604.03955v1
• Date: Sun, 05 Apr 2026 04:10:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.847508
• Title: Symbolic-Vector Attention Fusion for Collective Intelligence
• Title（参考訳）: 集団知能のためのシンボリックベクター注意固定法
• Authors: Hongwei Xu,
• Abstract要約: 本稿では,集団知能のための結合エンジンであるSybolic-pass Attention Fusion (SVAF)を紹介する。 SVAFは、各エージェント間の信号を7つの型付きセマンティックフィールドに分解し、学習された融合ゲートを通じてそれぞれを評価し、リミックスを生成する。 273のシナリオから237Kサンプルをトレーニングし、SVAFは78.7%の3クラス精度を達成した。
• 参考スコア（独自算出の注目度）: 0.9494375075678443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When autonomous agents observe different domains of a shared environment, each signal they exchange mixes relevant and irrelevant dimensions. No existing mechanism lets the receiver evaluate which dimensions to absorb. We introduce Symbolic-Vector Attention Fusion (SVAF), the content-evaluation half of a two-level coupling engine for collective intelligence. SVAF decomposes each inter-agent signal into 7 typed semantic fields, evaluates each through a learned fusion gate, and produces a remix -- new knowledge from the intersection of two domains. A band-pass model yields four outcomes (redundant, aligned, guarded, rejected), solving both selectivity and redundancy. The fusion gate independently discovers a cross-domain relevance hierarchy: mood emerges as the highest-weight field by epoch 1, before accuracy plateaus -- consistent with independent mechanistic evidence that LLM emotion representations are structurally embedded along valence-arousal axes. SVAF forms Layer 4 of the Mesh Memory Protocol (MMP); the other half of the coupling engine is a per-agent Closed-form Continuous-time (CfC) neural network at Layer 6, whose learned per-neuron time constants (tau) create the temporal dynamics from which collective intelligence emerges: fast neurons synchronise affect across agents in seconds, while slow neurons preserve domain expertise indefinitely. SVAF determines what enters each agent's cognitive state; CfC determines how that state evolves. Trained on 237K samples from 273 narrative scenarios, SVAF achieves 78.7% three-class accuracy. We verify the complete mesh cognition loop -- from per-field evaluation through remix, CfC state evolution, tau-modulated peer blending, and autonomous action -- in a live deployment with 7 nodes across macOS, iOS, and web.
• Abstract（参考訳）: 自律エージェントが共有環境の異なる領域を観測するとき、それらが交換する各信号は関連性および無関係な次元を混合する。 既存のメカニズムでは、受信機がどの寸法を吸収するかを評価することはできない。 本稿では,集合知のための2レベル結合エンジンであるSybolic-Vector Attention Fusion (SVAF)を紹介する。 SVAFは、各エージェント間の信号を7つの型付きセマンティックフィールドに分解し、学習された融合ゲートを通じてそれぞれを評価し、2つのドメインの交差から新しい知識をリミックスする。 バンドパスモデルでは、4つの結果(冗長性、整列性、ガード性、拒否性)が得られ、選択性と冗長性の両方を解決する。 融合ゲートはドメイン間の関連性階層を独立して発見する: ムードはエポック1によって最高級のフィールドとして出現し、正確なプラトーは、LLMの感情表現が原子価-覚醒軸に沿って構造的に埋め込まれているという独立した機械的証拠と一致する。 SVAFはMesh Memory Protocol(MMP)のレイヤ4を形成し、結合エンジンの残りの半分はエージェントごとのクローズドフォーム連続時間(CfC)ニューラルネットワークである。 SVAFは、各エージェントの認知状態に入るものを決定する; CfCは、その状態がどのように進化するかを決定する。 273のシナリオから237Kサンプルをトレーニングし、SVAFは78.7%の3クラス精度を達成した。 リミックスによるフィールド毎の評価、CfC状態の進化、タウ変調されたピアブレンディング、自律的なアクションなど、完全なメッシュ認識ループを、macOS、iOS、Webに7ノードのライブデプロイメントで検証します。

関連論文リスト

• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• Unified CNNs and transformers underlying learning mechanism reveals multi-head attention modus vivendi [0.0]
  畳み込みニューラルネットワーク(CNN)は、層に沿って進行する入力画像の短距離相関を評価する。 視覚変換器(ViT)アーキテクチャは、完全に接続された層からなる繰り返し変換器エンコーダを用いて、長距離相関を評価する。 本研究は,CNNとViTアーキテクチャが基盤となる学習機構の統一に由来することを示す。
  論文  参考訳（メタデータ） (2025-01-22T14:19:48Z)
• Multi-scale Quaternion CNN and BiGRU with Cross Self-attention Feature Fusion for Fault Diagnosis of Bearing [5.3598912592106345]
  深層学習は断層診断(FD)に著しい進歩をもたらした マルチスケール畳み込み畳み込みニューラルネットワーク(MQCNN)、双方向ゲートリカレントユニット(BiG)、クロス自己注意機能融合(CSAFF)を統合した新しいFDモデルを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:55:02Z)
• A Two-stream Hybrid CNN-Transformer Network for Skeleton-based Human Interaction Recognition [6.490564374810672]
  2ストリームハイブリッドCNN-Transformer Network(THCT-Net)を提案する。 CNNの局所的な特異性を活用し、Transformerを通じてグローバルな依存関係をモデル化する。 提案手法は, 様々な行動の意味と文脈をよりよく理解し, 推測し, 最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-31T06:46:46Z)
• Compositional Semantic Mix for Domain Adaptation in Point Cloud Segmentation [65.78246406460305]
  合成意味混合は、ポイントクラウドセグメンテーションのための最初の教師なし領域適応技術である。 本稿では、ソースドメイン(例えば合成)からの点雲とターゲットドメイン(例えば実世界)からの点雲を同時に処理できる2分岐対称ネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-08-28T14:43:36Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Federated Temporal Difference Learning with Linear Function Approximation under Environmental Heterogeneity [44.2308932471393]
  モデル推定の交換により,エージェント数の線形収束速度が向上することを示す。 低ヘテロジニティ系では、モデル推定を交換すると、エージェントの数で線形収束速度が向上する。
  論文  参考訳（メタデータ） (2023-02-04T17:53:55Z)

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。