論文の概要: The Geometry of Forgetting

• arxiv url: http://arxiv.org/abs/2604.06222v1
• Date: Fri, 27 Mar 2026 03:25:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-12 18:41:08.652378
• Title: The Geometry of Forgetting
• Title（参考訳）: 鍛造の幾何学
• Authors: Sambartha Ray Barman, Andrey Starenky, Sophia Bodnar, Nikhil Narasimhan, Ashwin Gopinath,
• Abstract要約: 本研究では,高次元埋め込み空間が,現象固有の工学的手法を使わずに,人間の記憶の量的シグネチャを再現することを示す。 パワーローの忘れ物は、競合する記憶間の干渉から発生し、崩壊からではない。 これらの結果から,コアメモリ現象は生物学的実装のバグではなく,意味によって情報を整理するシステムの特徴であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.950505915120811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Why do we forget? Why do we remember things that never happened? The conventional answer points to biological hardware. We propose a different one: geometry. Here we show that high-dimensional embedding spaces, subjected to noise, interference, and temporal degradation, reproduce quantitative signatures of human memory with no phenomenon-specific engineering. Power-law forgetting ($b = 0.460 \pm 0.183$, human $b \approx 0.5$) arises from interference among competing memories, not from decay. The identical decay function without competitors yields $b \approx 0.009$, fifty times smaller. Time alone does not produce forgetting in this system. Competition does. Production embedding models (nominally 384--1{,}024 dimensions) concentrate their variance in only ${\sim}16$ effective dimensions, placing them deep in the interference-vulnerable regime. False memories require no engineering at all: cosine similarity on unmodified pre-trained embeddings reproduces the Deese--Roediger--McDermott false alarm rate ($0.583$ versus human ${\sim}0.55$) with zero parameter tuning and no boundary conditions. We did not build a false memory system. We found one already present in the raw geometry of semantic space. These results suggest that core memory phenomena are not bugs of biological implementation but features of any system that organizes information by meaning and retrieves it by proximity.
• Abstract（参考訳）: なぜ忘れるの? なぜ一度も起こらなかったことを思い出すのか? 従来の答えは生物学的ハードウェアを指し示している。 我々は、幾何学という別のものを提案する。 ここでは, ノイズ, 干渉, 時間劣化を受ける高次元埋め込み空間が, 現象固有の工学的手法を使わずに, 人間の記憶の定量的なシグネチャを再現することを示す。 パワーローの忘れ物(b = 0.460 \pm 0.183$, human $b \approx 0.5$)は、崩壊ではなく競合する記憶間の干渉から生じる。 競合のない同一の崩壊関数は、$b \approx 0.009$、50倍小さい。 このシステムでは、時間だけでは忘れられません。 競争です。 生産埋め込みモデル(厳密には 384--1{,}024 次元)は、それらの分散を${\sim}16$ の有効次元だけに集中させ、干渉重畳可能な状態に深く配置する。 修正されていない事前訓練された埋め込みのコサイン類似性は、パラメータチューニングがゼロで境界条件のないDese--Roediger--McDermott偽アラームレート(0.583$対人${\sim}0.55$)を再現する。 私たちは偽のメモリシステムを構築しませんでした。 意味空間の生幾何学にすでに存在するものを発見した。 これらの結果から,コアメモリ現象は生物学的実装のバグではなく,情報を意味的に整理し,近接的に検索するシステムの特徴であることが示唆された。

関連論文リスト

• Breaking the Entanglement-Structure Trade-off: Many-Body Localization Protects Emergent Holographic Geometry in Random Tensor Networks [0.7310043452300737]
  ランダムテンソルネットワーク(RTN)における「絡み合い幾何学的重力」連鎖について検討する。 多体局在は、創発的なホログラフィック幾何学を熱化から保護するメカニズムである。 古典的なセルオートマトンとの比較により、MBLは量子モノガミーによって課される絡み合い構造のトレードオフをユニークに破ることが明らかになった。
  論文  参考訳（メタデータ） (2026-04-06T11:20:08Z)
• Temporal Memory for Resource-Constrained Agents: Continual Learning via Stochastic Compress-Add-Smooth [0.0]
  シーケンシャルに動作するエージェントは、固定メモリ予算の下で、古い経験を忘れずに新しい経験を取り入れなければならない。 本稿では,メモリをパラメータベクトルではなくプロセスとするフレームワークを提案する。 このフレームワークは連続学習の完全な分析的イジングモデル’を提供し、数学的精度でそのメカニズム、速度、形態を研究できる。
  論文  参考訳（メタデータ） (2026-03-31T12:04:11Z)
• Persistent Memory Through Triple-Loop Consolidation in a Non-Gradient Dissipative Cognitive Architecture [0.0]
  本稿では,三重ループ統合サイクルを通した非段階的な永続メモリ機構であるDeep Memoryを紹介する。 我々は、Mixture-of-Experts (MoE) ゲーティングによる個別のエキスパートルーティングがDMの因果的前提であることを示した。 以上の結果から, DMは, 海馬統合と機能的並行性を有する非段階認知システムにおいて, 持続記憶の機構として確立された。
  論文  参考訳（メタデータ） (2026-03-28T08:29:48Z)
• The Price of Meaning: Why Every Semantic Memory System Forgets [2.950505915120811]
  すべての主要なAIメモリシステムは、意味によって情報を整理するが、価格は高い。 その組織は、一般化、アナロジー、概念検索を可能にします。 一般化を可能にする同じ幾何学的構造が干渉、脆弱性、虚偽のリコールを引き起こすことを証明している。
  論文  参考訳（メタデータ） (2026-03-28T04:01:59Z)
• Memory as Resonance: A Biomimetic Architecture for Infinite Context Memory on Ergodic Phonetic Manifolds [0.0]
  本稿では,言語をエルゴード多様体上の連続経路としてエンコードするニューロシンボリックアーキテクチャであるPhontic Trajectory Memoryを紹介する。 我々は,検索が共鳴の過程となり,最大92%の事実精度を確保することを実証した。 我々の結果は、無限のコンテキストは無限のシリコンを必要としないことを示唆している。記憶されるデータではなく、保存されていない物理信号に作用する再構成プロセスとしてメモリを扱う必要がある。
  論文  参考訳（メタデータ） (2025-12-23T10:55:32Z)
• Remember Me, Refine Me: A Dynamic Procedural Memory Framework for Experience-Driven Agent Evolution [52.76038908826961]
  我々は静的ストレージと動的推論のギャップを埋めるため、$textbfReMe$ ($textitRemember Me, Refine Me$)を提案する。 ReMeは3つのメカニズムを通じてメモリライフサイクルを革新する: $textitmulti-faceted distillation$, きめ細かい経験を抽出する。 BFCL-V3とAppWorldの実験では、ReMeが新しい最先端のエージェントメモリシステムを確立している。
  論文  参考訳（メタデータ） (2025-12-11T14:40:01Z)
• Geometry of degenerate quantum states, configurations of $m$-planes and invariants on complex Grassmannians [55.2480439325792]
  退化状態の幾何学を非アーベル接続(英語版)$A$に還元する方法を示す。 部分空間のそれぞれに付随する独立不変量を見つける。 それらのいくつかはベリー・パンチャラトナム位相を一般化し、1次元部分空間の類似点を持たないものもある。
  論文  参考訳（メタデータ） (2024-04-04T06:39:28Z)
• Associative Memories in the Feature Space [68.1903319310263]
  本稿では,低次元のセマンティック埋め込みのみを記憶するメモリモデルを提案する。 MNISTデータセット上の単純なタスクに対して,本手法の概念実証を行う。
  論文  参考訳（メタデータ） (2024-02-16T16:37:48Z)
• Topology-aware Embedding Memory for Continual Learning on Expanding Networks [63.35819388164267]
  本稿では,メモリリプレイ技術を用いて,メモリ爆発問題に対処する枠組みを提案する。 Topology-aware Embedding Memory (TEM) を用いたPDGNNは最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2024-01-24T03:03:17Z)
• Kanerva++: extending The Kanerva Machine with differentiable, locally block allocated latent memory [75.65949969000596]
  エピソディックメモリとセマンティックメモリは、人間のメモリモデルの重要なコンポーネントです。 我々は、エピソードメモリとセマンティックメモリのギャップを埋める新しい原理ベイズメモリ割り当てスキームを開発しました。 この割り当て方式がメモリ条件画像生成の性能を向上させることを実証する。
  論文  参考訳（メタデータ） (2021-02-20T18:40:40Z)
• Self-Attentive Associative Memory [69.40038844695917]
  我々は、個々の体験(記憶)とその発生する関係(関連記憶)の記憶を分離することを提案する。 機械学習タスクの多様性において,提案した2メモリモデルと競合する結果が得られる。
  論文  参考訳（メタデータ） (2020-02-10T03:27:48Z)

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。