論文の概要: Prospective Compression in Human Abstraction Learning

• arxiv url: http://arxiv.org/abs/2605.09985v1
• Date: Mon, 11 May 2026 04:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.530715
• Title: Prospective Compression in Human Abstraction Learning
• Title（参考訳）: 抽象学習における前向き圧縮
• Authors: Leonardo Hernandez Cano, Ivan Zareski, Luisa El Amouri, Pinzhe Zhao, Max Mascini, Emanuele Sansone, Yewen Pu, Bonan Zhao, Marta Kryven,
• Abstract要約: 本研究では,非定常領域におけるヒューマンライブラリ学習が将来的な抽象化を選択するという仮説を提案し,検証する。 本研究では,タスク生成過程における非定常構造に対する人間の抽象的行動が,潜在的・非定常的構造に対する感受性を反映していることを示す。
• 参考スコア（独自算出の注目度）: 7.788051955651714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A core challenge in program synthesis is online library learning: the incremental acquisition of reusable abstractions under uncertainty about future task demands. Existing algorithms treat library learning as retrospective compression over a static task distribution, where the learned library is determined by the corpus of past tasks. However, real-world learning domains are often non-stationary, with tasks arising from a generative process that evolves over time. We propose and test the hypothesis that in non-stationary domains human library learning selects abstractions prospectively: targeting compression of future tasks. We study this question using the Pattern Builder Task, a visual program synthesis paradigm in which participants construct increasingly complex geometric patterns from a small set of primitives, transformations, and custom helpers that carry forward across trials. Using this task, we conduct two experiments with complementary latent curricula, designed to dissociate between behaviors consistent with prospective compression, and alternative library learning accounts. Using six computational models spanning online library learning strategies, we show that human abstraction behavior reflects sensitivity to latent, non-stationary structure in the task-generating process. This behavior is consistent with prospective compression, and cannot be captured by existing retrospective compression-based algorithms, or inductive biases modeled by LLM-based program synthesis.
• Abstract（参考訳）: プログラム合成における中核的な課題は、オンラインライブラリ学習である。 既存のアルゴリズムは、学習ライブラリが過去のタスクのコーパスによって決定される静的なタスク分布に対して、ライブラリ学習を振り返り圧縮として扱う。 しかし、現実世界の学習領域は、しばしば非定常的であり、時間とともに進化する生成過程から生じるタスクである。 本研究では,非定常領域におけるヒューマンライブラリ学習が,将来的なタスクの圧縮を目標とした抽象化を選択するという仮説を提案し,検証する。 本研究では,視覚プログラム合成のパラダイムであるPattern Builder Taskを用いて,少数のプリミティブ,トランスフォーメーション,カスタムヘルパーの集合から,より複雑な幾何学的パターンを構築する。 本課題を用いて, 予測圧縮に整合した動作と, 代替ライブラリ学習アカウントとの解離を目的とした, 補完的な潜伏カリキュラムによる2つの実験を行った。 オンライン図書館学習戦略にまたがる6つの計算モデルを用いて、タスク生成過程において、人間の抽象的行動は潜在的、非定常的構造に対する感受性を反映していることを示す。 この振る舞いは予測圧縮と一致しており、既存のリフレクション圧縮ベースのアルゴリズムや、LLMベースのプログラム合成によってモデル化された帰納的バイアスでは捉えられない。

関連論文リスト

• Online library learning in human visual puzzle solving [4.633616287561709]
  人々はしばしば、未来に対する不確実性にもかかわらず、将来の作業を簡単にする効率的な再利用可能な抽象化を形成します。 参加者がヘルパーを定義して再利用する視覚パズルタスクにおいて,このプロセスを研究する。 オンラインライブラリ学習は、人間の問題解決における中核的なメカニズムであり、タスク要求が大きくなるにつれて、人々が柔軟に抽象化を構築し、洗練し、再利用することができる。
  論文  参考訳（メタデータ） (2026-03-24T14:12:28Z)
• Learning with Preserving for Continual Multitask Learning [4.847042727427382]
  タスク出力の保存から共有表現空間の維持に焦点を移す新しいフレームワークであるLawP(Learning with Preserving)を紹介した。 LwPは破滅的な忘れを緩和するだけでなく、CMTLタスクにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-11-11T22:23:20Z)
• Building, Reusing, and Generalizing Abstract Representations from Concrete Sequences [51.965994405124455]
  人間は異なるシーケンスで抽象的なパターンを学ぶのが得意です。 多くのシーケンス学習モデルには抽象化能力がないため、メモリの非効率性や転送の低さにつながる。 非パラメトリック階層型変数学習モデル(HVM)を導入し、シーケンスからチャンクを学習し、文脈的に類似したチャンクを変数として抽象化する。
  論文  参考訳（メタデータ） (2024-10-27T18:13:07Z)
• PRISE: LLM-Style Sequence Compression for Learning Temporal Action Abstractions in Control [55.81022882408587]
  時間的行動抽象化は、信念状態表現とともに、シーケンシャルな意思決定のための強力な知識共有メカニズムである。 本稿では,時間的動作の抽象化をシーケンス圧縮問題として扱う新しい視点を提案する。 本稿では,連続的なアクション量子化とバイトペア符号化を組み合わせて,強力なアクション抽象化を学習するアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-16T04:55:09Z)
• Reconciling Spatial and Temporal Abstractions for Goal Representation [0.4813333335683418]
  ゴール表現は階層強化学習(HRL)アルゴリズムの性能に影響する。 近年の研究では、時間的に抽象的な環境動態を保った表現が困難な問題の解決に成功していることが示されている。 本稿では,空間的および時間的目標抽象化の両方において,階層の異なるレベルにおいて,新しい3層HRLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-18T10:33:30Z)
• Cooperative data-driven modeling [44.99833362998488]
  メカニクスにおけるデータ駆動モデリングは、最近の機械学習の進歩に基づいて急速に進化している。 異なるグループによって作成された新しいデータとモデルが利用可能となり、協調モデリングの可能性が開ける。 人工ニューラルネットワークは、破滅的な忘れ、すなわち、新しいタスクでトレーニングされたときに古いタスクを実行する方法を忘れることに苦しむ。 これは、新しいタスクに既存のモデルを適用することが、誰かによって訓練された前のタスクのパフォーマンスに影響を与えるため、協力を妨げる。
  論文  参考訳（メタデータ） (2022-11-23T14:27:25Z)
• Hierarchically Structured Task-Agnostic Continual Learning [0.0]
  本研究では,連続学習のタスク非依存的な視点を取り入れ,階層的情報理論の最適性原理を考案する。 我々は,情報処理経路の集合を作成することで,忘れを緩和する,Mixture-of-Variational-Experts層と呼ばれるニューラルネットワーク層を提案する。 既存の連続学習アルゴリズムのようにタスク固有の知識を必要としない。
  論文  参考訳（メタデータ） (2022-11-14T19:53:15Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
  プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。 特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。 単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T17:46:18Z)

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。