論文の概要: Endogenous Regime Switching Driven by Scalar-Irreducible Learning Dynamics

• arxiv url: http://arxiv.org/abs/2605.04054v1
• Date: Fri, 10 Apr 2026 02:40:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.538967
• Title: Endogenous Regime Switching Driven by Scalar-Irreducible Learning Dynamics
• Title（参考訳）: Scalar-Irreducible Learning Dynamics による内因性レジームスイッチング
• Authors: Sheng Ran,
• Abstract要約: 内在的な政権交代は 自律的な知能の出現に不可欠です 既存の機械学習システムはスカラー・レデューシブル・クラス内で動作する。 本研究では,スカラー不整形力学が内部的に発生するレシエーションスイッチングを自然に実現していることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving endogenous regime switching is crucial for the emergence of autonomous intelligence, yet remains a central challenge for existing machine learning frameworks, where such transitions are typically externally imposed. In this work, we introduce a classification that distinguishes scalar-reducible dynamics, which can be expressed as gradient flows driven by a scalar objective, from scalar-irreducible dynamics that cannot be reduced to such a form. While most existing machine learning systems operate within the scalar-reducible class, we demonstrate that scalar-irreducible dynamics naturally enable internally generated regime switching through feedback between fast dynamical variables and slow structural adaptation. Using a minimal dynamical model, we illustrate how this mechanism produces sustained endogenous regime transitions without external scheduling. Our results suggest a new dynamical paradigm for regime exploration and provide a potential route toward autonomous learning systems whose adaptive behavior is organized internally rather than externally prescribed.
• Abstract（参考訳）: 自律的なインテリジェンスの出現には内在的な体制変更の達成が不可欠だが、そのような移行が一般的に外部から課される既存の機械学習フレームワークでは、依然として中心的な課題である。 本研究では,スカラー対象によって駆動される勾配流として表現できるスカラー・レデューシブル・ダイナミクスと,そのような形式に還元できないスカラー・レデューシブル・ダイナミクスとを区別する分類を導入する。 既存の機械学習システムはスカラー・レデューシブル・クラス内で動作するが,スカラー・レデューシブル・ダイナミクスは高速な動的変数間のフィードバックや構造的適応の遅さを通じて,内部的に生成されるレギュレーションスイッチを自然に実現できることを実証する。 最小限の力学モデルを用いて、このメカニズムが外部スケジューリングなしで持続的な内在的状態遷移をいかに生み出すかを説明する。 本研究は, 適応行動が外部に規定されるのではなく, 内部的に組織化されている自律学習システムに, システム探索のための新たな動的パラダイムを提供することを示唆するものである。

関連論文リスト

• Learning Beyond Optimization: Stress-Gated Dynamical Regime Regulation in Autonomous Systems [0.0]
  明示的な目的を持たずに学習するための枠組みを提案する。 外部エラー信号を最小化する代わりに、システムは内部力学の本質的な健康を評価する。 この結果から,自律学習システムへの道筋が示唆された。
  論文  参考訳（メタデータ） (2026-02-20T19:39:56Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• A Mechanistic Analysis of Transformers for Dynamical Systems [4.590170084532207]
  動的データに適用した場合の単一層変換器の表現能力と限界について検討する。 線形系に対しては、ソフトマックスアテンションによって課される凸性制約が、表現できる力学のクラスを根本的に制限していることが示される。 部分可観測性を持つ非線形系では、注意は適応的な遅延埋め込み機構として機能する。
  論文  参考訳（メタデータ） (2025-12-24T11:21:07Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• DySLIM: Dynamics Stable Learning by Invariant Measure for Chaotic Systems [22.62539147446799]
  散逸的なカオスシステムからダイナミクスを学ぶことは、その固有の不安定性のため、非常に難しい。 不変測度と力学の学習を対象とする新しいフレームワークを提案する。 スケーラブルな正規化項で分布をターゲットとすることで、このアプローチをより複雑なシステムに拡張できることを期待する。
  論文  参考訳（メタデータ） (2024-02-06T23:26:12Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)
• Hierarchical Decomposition of Nonlinear Dynamics and Control for System Identification and Policy Distillation [39.83837705993256]
  強化学習(RL)の最近のトレンドは、力学と政策の複雑な表現に焦点を当てている。 制御コミュニティからインスピレーションを得て、複雑なダイナミクスをより単純なコンポーネントに分解するために、ハイブリッドスイッチングシステムの原則を適用します。
  論文  参考訳（メタデータ） (2020-05-04T12:40:59Z)

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。