論文の概要: SRMU: Relevance-Gated Updates for Streaming Hyperdimensional Memories

• arxiv url: http://arxiv.org/abs/2604.15121v1
• Date: Thu, 16 Apr 2026 15:10:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.974484
• Title: SRMU: Relevance-Gated Updates for Streaming Hyperdimensional Memories
• Title（参考訳）: SRMU:超次元記憶をストリーミングするための関連付け更新
• Authors: Shay Snyder, Andrew Capodieci, David Gorsich, Maryam Parsa,
• Abstract要約: シーケンシャル・アソシエーション・メモリ(SAM)は、現実世界のストリーミング環境で構築・維持することが困難である。 我々は、VSAベースのSAMのドメインに依存しない更新ルールであるSequential Relevance Memory Unit (SRMU)を導入する。 SRMUはストレージの前に冗長、競合、古い情報をフィルタリングすることでメモリを規制する。
• 参考スコア（独自算出の注目度）: 0.5337302350000983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential associative memories (SAMs) are difficult to build and maintain in real-world streaming environments, where observations arrive incrementally over time, have imbalanced sampling, and non-stationary temporal dynamics. Vector Symbolic Architectures (VSAs) provide a biologically-inspired framework for building SAMs. Entities and attributes are encoded as quasi-orthogonal hyperdimensional vectors and processed with well defined algebraic operations. Despite this rich framework, most VSA systems rely on simple additive updates, where repeated observations reinforce existing information even when no new information is introduced. In non-stationary environments, this leads to the persistence of stale information after the underlying system changes. In this work, we introduce the Sequential Relevance Memory Unit (SRMU), a domain- and cleanup-agnostic update rule for VSA-based SAMs. The SRMU combines temporal decay with a relevance gating mechanism. Unlike prior approaches that solely rely on cleanup, the SRMU regulates memory formation by filtering redundant, conflicting, and stale information before storage. We evaluate the SRMU on streaming state-tracking tasks that isolate non-uniform sampling and non-stationary temporal dynamics. Our results show that the SRMU increases memory similarity by $12.6\%$ and reduces cumulative memory magnitude by $53.5\%$. This shows that the SRMU produces more stable memory growth and stronger alignment with the ground-truth state.
• Abstract（参考訳）: 時系列連想記憶(SAM)は、時間とともに観測が漸進的に到着し、サンプリングの不均衡と非定常時間ダイナミクスを持つ実世界のストリーミング環境で構築および維持が困難である。 Vector Symbolic Architectures (VSAs)は、SAMを構築するための生物学的にインスパイアされたフレームワークを提供する。 実体と属性は準直交超次元ベクトルとして符号化され、よく定義された代数演算で処理される。 このリッチなフレームワークにもかかわらず、ほとんどのVSAシステムは単純な追加更新に依存しており、新しい情報が導入されなくても、繰り返し観測によって既存の情報が強化される。 非定常環境では、基盤となるシステム変更後の古い情報の永続化につながる。 本研究では,VSA ベースの SAM の更新ルールである Sequential Relevance Memory Unit (SRMU) を紹介する。 SRMUは時間減衰と関連するゲーティング機構を組み合わせる。 従来のクリーンアップのみに依存していたアプローチとは異なり、SRMUはストレージの前に冗長、競合、古い情報をフィルタリングすることでメモリ形成を規制している。 非一様サンプリングと非定常時間ダイナミクスを分離したストリーミング状態追跡タスクにおけるSRMUの評価を行った。 以上の結果から,SRMU はメモリ類似度を 12.6 %$ 増加させ,累積メモリ等級を 53.5 %$ 減少させることがわかった。 このことは、SRMUがより安定なメモリ成長と、基底構造とより強いアライメントをもたらすことを示している。

関連論文リスト

• Beyond Short-Horizon: VQ-Memory for Robust Long-Horizon Manipulation in Non-Markovian Simulation Benchmarks [96.60530830276281]
  RuleSafeは、スケーラブルなLLM支援シミュレーションフレームワーク上に構築された、新しいオペレーティングベンチマークである。 VQ-Memoryはベクトル量子化変分オートエンコーダを用いたコンパクトで構造化された時間表現である。
  論文  参考訳（メタデータ） (2026-03-10T11:13:54Z)
• StructSAM: Structure- and Spectrum-Preserving Token Merging for Segment Anything Models [57.674757786328236]
  StructSAMは、Segment Anything Model(SAM)に適した解像度保存型マージアンマージフレームワークである また,StructSAMはエンコーダFLOPsを25～30%削減し,mIoU/Diceに少量の低下を認めた。 また、スペクトルグラフ粗大化ビューでは、スコア誘導マージにより、ランダムまたはウィンドウ制限ベースラインと比較して、ラプラシアスペクトル歪みが有界となることを示す。
  論文  参考訳（メタデータ） (2026-03-07T18:30:58Z)
• MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models [51.506429027626005]
  Memory for Time Series (MEMTS) は、時系列予測における検索不要領域適応のための軽量かつプラグアンドプレイ方式である。 MEMTSの鍵となるコンポーネントは知識永続化モジュール(KPM)であり、ドメイン固有の時間力学を内部化する。 このパラダイムシフトにより、MEMTSは定数時間推論とニアゼロレイテンシによる正確なドメイン適応を実現することができる。
  論文  参考訳（メタデータ） (2026-02-14T14:00:06Z)
• Continuum Memory Architectures for Long-Horizon LLM Agents [0.0]
  Retrieval-augmented Generation (RAG) は、文脈知識を備えた大規模言語モデル(LLM)エージェントのデフォルト戦略となっている。 textitContinuum Memory Architecture (CMA)は、インタラクション間の内部状態をメンテナンスし、更新するシステムのクラスです。 我々は、RAGの構造的欠如が記憶の蓄積、突然変異、曖昧さを露呈するタスクに対して、一貫した振る舞い上の利点を示す。
  論文  参考訳（メタデータ） (2026-01-14T22:40:35Z)
• Parallel Delayed Memory Units for Enhanced Temporal Modeling in Biomedical and Bioacoustic Signal Analysis [17.73662095849247]
  Parallel Delayed Memory Unit (PDMU) は、短期的クレジット割り当てのための遅延ゲート状態空間モジュールである。 PDMUは、ゲート遅延ライン機構を介して、短期的な時間的状態相互作用とメモリ効率を高める。 PDMUは並列トレーニングとシーケンシャル推論をサポートしており、既存の線形RNNフレームワークに簡単に統合できる。
  論文  参考訳（メタデータ） (2025-12-01T12:46:56Z)
• The Curious Case of In-Training Compression of State Space Models [49.819321766705514]
  ステートスペースモデル(SSM)は、並列化可能なトレーニングと高速推論の両方を提供する。 鍵となる設計上の課題は、表現力の最大化と計算負荷の制限の間の適切なバランスを打つことだ。 我々のアプローチである textscCompreSSM はリニアリカレントユニットのような線形時間不変SSMに適用されるが、選択モデルにも拡張可能である。
  論文  参考訳（メタデータ） (2025-10-03T09:02:33Z)
• SEDM: Scalable Self-Evolving Distributed Memory for Agents [23.182291416527764]
  SEDMは、メモリをパッシブリポジトリからアクティブな自己最適化コンポーネントに変換する検証可能で適応的なフレームワークである。 また,SEDMは,強いメモリベースラインに比べてトークンオーバーヘッドを低減しつつ,推論精度を向上することを示した。 結果は、SEDMをオープンエンドのマルチエージェントコラボレーションのためのスケーラブルで持続可能なメモリメカニズムとして強調する。
  論文  参考訳（メタデータ） (2025-09-11T14:37:37Z)
• SR-CIS: Self-Reflective Incremental System with Decoupled Memory and Reasoning [32.18013657468068]
  自己回帰補充インクリメンタルシステム(SR-CIS)を提案する。 Complementary Inference Module (CIM)とComplementary Memory Module (CMM)で構成されている。 CMMはタスク固有の短期記憶(STM)領域と汎用長期記憶(LTM)領域から構成される。 トレーニング中に画像のテキスト記述を格納し、Scenario Replay Module (SRM) と組み合わせることで、SR-CISは限られたストレージ要件で安定したインクリメンタルメモリを実現する。
  論文  参考訳（メタデータ） (2024-08-04T09:09:35Z)
• Analysis of the Memorization and Generalization Capabilities of AI Agents: Are Continual Learners Robust? [91.682459306359]
  連続学習(CL)では、AIエージェントが動的環境下で非定常データストリームから学習する。 本稿では,過去の知識を維持しつつ,動的環境への堅牢な一般化を実現するための新しいCLフレームワークを提案する。 提案フレームワークの一般化と記憶性能を理論的に解析した。
  論文  参考訳（メタデータ） (2023-09-18T21:00:01Z)

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。