論文の概要: Artificial Jagged Intelligence as Uneven Optimization Energy Allocation Capability Concentration, Redistribution, and Optimization Governance

• arxiv url: http://arxiv.org/abs/2605.01420v1
• Date: Sat, 02 May 2026 12:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.762991
• Title: Artificial Jagged Intelligence as Uneven Optimization Energy Allocation Capability Concentration, Redistribution, and Optimization Governance
• Title（参考訳）: 不均一最適化エネルギー配分能力集中,再分配,最適化最適化としての人工ジャグインテリジェンス
• Authors: Wesley Shu, Peng Wei,
• Abstract要約: 人工ジャグインテリジェンス(Artificial Jagged Intelligence, AJI)は、大規模学習システムにおいて、他の領域では弱さや脆さを保ちながら、強力な局所的な能力を示す繰り返しパターンである。 本稿では,最適化圧力の不均一なアロケーションとして,AJIの形式理論を開発する。
• 参考スコア（独自算出の注目度）: 3.719121868494767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Jagged Intelligence (AJI) denotes a recurring pattern in which large learning systems exhibit strong local capabilities while remaining weak or brittle in other domains. This paper develops a formal theory of AJI as uneven allocation of optimization pressure. We model training as a finite-budget process that distributes gradient-driven update energy across capability-relevant directions in parameter space. In this model, jagged capability profiles arise from anisotropic objective structure, data geometry, and representational coupling rather than from a single scalar quantity called intelligence. The paper defines capability gain, optimization energy share, and jaggedness, then proves that persistent concentration of cumulative update energy yields lower bounds on dispersion in capability gains. A finite-budget tradeoff theorem shows why prioritizing one capability can impose opportunity costs on others unless positive coupling or shared structure offsets the cost. The analysis also studies redistribution mechanisms, including energy-variance regularization and auxiliary structural objectives, as interventions that reshape the optimization field. The resulting framework links uneven emergence, training architecture, and optimization governance. It predicts that early concentration of update energy should forecast later capability jaggedness; that scaling under a narrow objective need not eliminate anisotropy; and that explicitly funded auxiliary objectives can revive neglected capabilities. AJI is therefore not merely a descriptive label for uneven model behavior, but a testable theory of how finite optimization resources produce concentrated, delayed, and structurally uneven capability formation.
• Abstract（参考訳）: 人工ジャグインテリジェンス(Artificial Jagged Intelligence, AJI)は、大規模学習システムにおいて、他の領域では弱さや脆さを保ちながら、強力な局所的な能力を示す繰り返しパターンである。 本稿では,最適化圧力の不均一なアロケーションとして,AJIの形式理論を開発する。 パラメータ空間の能力関連方向にわたって勾配駆動更新エネルギーを分散する有限予算プロセスとしてトレーニングをモデル化する。 このモデルでは、ジャッジ能力プロファイルは、インテリジェンスと呼ばれる単一のスカラー量ではなく、異方性客観構造、データ幾何学、表現的結合から生じる。 本稿は、能力ゲイン、最適化エネルギーシェア、ジャッジネスを定義し、累積更新エネルギーの持続的な濃度が能力ゲインの分散に低い境界をもたらすことを証明した。 有限予算トレードオフ定理は、正の結合や共有構造がコストを相殺しない限り、ある能力の優先順位付けが他の能力に機会コストを課す理由を示している。 この分析はまた、エネルギー分散正則化や補助的な構造目的を含む再分配機構を最適化分野を再形成する介入として研究した。 結果として生じるフレームワークは、不均一な出現、トレーニングアーキテクチャ、最適化ガバナンスと結びついています。 更新エネルギーの早期集中は、後の能力のジャグネスを予測し、狭い目的の下でのスケーリングは異方性を排除する必要はなく、明確な補助目標が無視された能力を復活させることができると予測している。 したがって、AJIは不均一なモデル行動の記述的なラベルであるだけでなく、有限最適化資源がどのように集中的、遅延的、構造的に不均一な能力形成をもたらすかについての検証可能な理論である。

関連論文リスト

• Active Inference for Physical AI Agents -- An Engineering Perspective [1.690447548344545]
  本稿では、アクティブ推論(AIF)が、そのギャップを埋めるための原則的な基盤を提供すると論じる。 AIFは、単一の計算目標内で認識、学習、計画、制御を統一することにより、VFEの最小化を運用していることを示す。 リアクティブメッセージパッシングはイベント駆動であり、割り込み可能で、ローカルに適応可能であるため、リソースの削減の下でパフォーマンスは適切に低下する。
  論文  参考訳（メタデータ） (2026-03-21T20:06:30Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• Expected Free Energy-based Planning as Variational Inference [2.5935401957183846]
  EFEに基づくプランニングは、生成モデル上での変動自由エネルギー関数の最小化から自然に発生することを示す。 この結果は、不確実性それ自体で計画を変分推論の形式としてキャストすることで、自由エネルギー原理との理論的整合性を強化する。 我々の定式化は,有界計算資源を考慮に入れた複雑性項を取り入れつつ,目標達成と情報獲得を共同で支援する政策を導出する。
  論文  参考訳（メタデータ） (2025-04-21T07:09:05Z)
• Exploring the Boundary of Diffusion-based Methods for Solving Constrained Optimization [46.75288477458697]
  本稿では,DiOptと呼ばれる連続制約最適化問題に対する拡散に基づく新しいフレームワークを提案する。 DiOptは2つの異なるフェーズで動作し、最初のウォームスタートフェーズは教師付き学習によって実装され、その後ブートストラップフェーズが続く。 問題の制約を厳格に満たしつつ、反復的に解を洗練し、目的関数を改善するように設計されている。
  論文  参考訳（メタデータ） (2025-02-14T17:43:08Z)
• Understanding, Predicting and Better Resolving Q-Value Divergence in Offline-RL [86.0987896274354]
  まず、オフラインRLにおけるQ値推定のばらつきの主な原因として、基本パターン、自己励起を同定する。 そこで本研究では,Q-network の学習における進化特性を測定するために,SEEM(Self-Excite Eigen Value Measure)尺度を提案する。 われわれの理論では、訓練が早期に発散するかどうかを確実に決定できる。
  論文  参考訳（メタデータ） (2023-10-06T17:57:44Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。