論文の概要: S-AI-Recursive: A Bio-Inspired and Temporal Sparse AI Architecture for Iterative, Introspective, and Energy-Frugal Reasoning
- arxiv url: http://arxiv.org/abs/2605.13872v1
- Date: Tue, 05 May 2026 20:50:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.391002
- Title: S-AI-Recursive: A Bio-Inspired and Temporal Sparse AI Architecture for Iterative, Introspective, and Energy-Frugal Reasoning
- Title（参考訳）: S-AI-Recursive: 反復的,イントロスペクティブ,エネルギフルーガル推論のための,バイオインスパイアされた一時的スパースAIアーキテクチャ
- Authors: Said Slaoui,
- Abstract要約: 本稿では,バイオインスパイアされたスパース人工知能アーキテクチャであるS-AI-Recursiveを紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article introduces S-AI-Recursive, a bio-inspired Sparse Artificial Intelligence architecture in which reasoning is operationalized as a hormonal closed-loop iteration rather than a single feed-forward pass. Building upon the S-AI foundational framework [1], the hormonal-probabilistic unification doctrine [2], and the formal mathematical methodology established in S-AI-IoT [3], the present work formalizes the Recursive Reasoning Cycle (RRC) as a dynamical system governed by two novel hormones: Clarifine, a convergence signal, and Confusionin, an uncertainty detector, whose antagonistic regulation drives iterative state refinement toward a stable cognitive equilibrium. The complete mathematical framework is developed, including recursive state dynamics, Lyapunov stability proof, entropic contraction theorem, hormonal stopping criterion with finite-time termination guarantee, Euler-Maruyama discretization with projection, primal-dual agent selection under iteration budget, and recursive engram memory with warm-start acceleration. Experimental validation on the SAI-UT+ testbench demonstrates that S-AI-Recursive achieves competitive reasoning performance on abstract and symbolic benchmarks with fewer than ten million parameters, confirming the central principle of temporal parsimony: iterative cognitive depth substitutes for architectural width.
- Abstract（参考訳）: 本稿では,バイオインスパイアされたスパース人工知能アーキテクチャであるS-AI-Recursiveを紹介する。
S-AIの基礎的枠組み[1]、ホルモン-確率的統一原理[2]、およびS-AI-IoTで確立された公式な数学的方法論に基づく本研究は、再帰的推論サイクル(RRC)を2つの新しいホルモンによって支配される力学系として定式化する。
完全な数学的枠組みは、再帰状態力学、リャプノフ安定性証明、エントロピー収縮定理、有限時間終了保証付きホルモン停止基準、射影付きオイラー・マルヤマ離散化、反復予算下での原始的二元的エージェント選択、ウォームスタート加速による再帰的エングラムメモリを含む。
SAI-UT+テストベンチでの実験的検証は、S-AI-Recursiveが1000万パラメータ未満の抽象的およびシンボリックなベンチマークで競合推論性能を達成し、時間的パーシモニーの中心原理である反復的認知深度をアーキテクチャの幅に代えて確認することを示した。
関連論文リスト
- The Bayesian Reflex: Online Learning as the Autonomic Nervous System of Modern and Future AI [0.9176056742068814]
ベイズ反射は自律神経系と類似している。
AIにおけるオンライン学習のための統一フレームワークである。
継続的に学習する適応型AIの基盤となるインフラストラクチャを提供する。
論文 参考訳（メタデータ） (2026-05-04T17:01:49Z) - ODELoRA: Training Low-Rank Adaptation by Solving Ordinary Differential Equations [54.886931928255564]
低ランク適応(LoRA)は、深層移動学習においてパラメータ効率の高い微調整法として広く採用されている。
常微分方程式(ODE)の形でLoRA因子行列に対する新しい連続時間最適化ダイナミクスを提案する。
ODELoRAは,問題次元の異なるスケールのディープニューラルネットワークのトレーニングに不可欠な特性である,安定した特徴学習を実現する。
論文 参考訳（メタデータ） (2026-02-07T10:19:36Z) - Unifying Tree Search Algorithm and Reward Design for LLM Reasoning: A Survey [92.71325249013535]
線形木探索はLarge Language Model (LLM) 研究の基盤となっている。
本稿では,検索アルゴリズムを3つのコアコンポーネントに分解する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-11T03:29:18Z) - Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。
非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。
新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
論文 参考訳（メタデータ） (2025-10-09T12:52:55Z) - Step-Aware Policy Optimization for Reasoning in Diffusion Large Language Models [57.42778606399764]
拡散言語モデル(dLLM)は、テキスト生成に有望で非自己回帰的なパラダイムを提供する。
現在の強化学習アプローチは、しばしばスパースで結果に基づく報酬に頼っている。
これは推論の自然な構造との根本的なミスマッチに由来すると我々は主張する。
論文 参考訳（メタデータ） (2025-10-02T00:34:15Z) - Hierarchical Bayesian Operator-induced Symbolic Regression Trees for Structural Learning of Scientific Expressions [3.8545239266455185]
我々は,木構造的記号表現のアンサンブルとして科学法則を表す記号回帰の階層的ベイズ的枠組みを開発する。
我々はベイズ後部濃度の最小値に近い値を確立し、シンボル回帰の文脈で最初の厳密な保証を提供する。
実験的な評価は,提案手法の最先端の競合モジュールに対する堅牢な性能を示す。
論文 参考訳（メタデータ） (2025-09-24T02:42:25Z) - Dynamical Learning in Deep Asymmetric Recurrent Neural Networks [1.3421746809394772]
非対称なディープリカレントニューラルネットワークは、指数関数的に大きく、密度の高い内部表現の多様体を生み出すことを示す。
本稿では,再帰的ダイナミクスからインプット・アウトプット・アソシエーションが自然に出現する分散学習手法を提案する。
論文 参考訳（メタデータ） (2025-09-05T12:05:09Z) - T-ILR: a Neurosymbolic Integration for LTLf [47.316620315732024]
本稿では,時間論理の仕様をシーケンスベースタスクのためのディープラーニングアーキテクチャに直接組み込むニューロシンボリックフレームワークを提案する。
提案手法をT-ILR (Temporal Iterative Local Refinement) と呼ぶ。
論文 参考訳（メタデータ） (2025-08-21T20:24:20Z) - A Unified Cortical Circuit Model with Divisive Normalization and Self-Excitation for Robust Representation and Memory Maintenance [2.705743343600661]
本稿では,分割正規化と自己励磁を組み合わせ,ロバストな符号化を実現するリカレントニューラルネットワークを提案する。
2つの標準タスクでモデルの汎用性を実証する。
この研究は、ノイズ抑圧、ワーキングメモリ、近似ベイズ推論を橋渡しする統一的な数学的枠組みを確立する。
論文 参考訳（メタデータ） (2025-08-18T08:00:24Z) - Alpay Algebra III: Observer-Coupled Collapse and the Temporal Drift of Identity [0.0]
第3のインストールは、無限のカテゴリーフローと曲率駆動の恒等演算子を通して、オブザーバ結合されたフィコラプス過程を形式化する。
システムは、内部変換履歴を記号的固定点構造に符号化することで、説明可能なAI(XAI)における従来のアイデンティティモデリングを超越する。
結果はまた、安定した自己参照行動を持つ将来のAIシステムに対して、数学的に厳密な基礎を提供する。
論文 参考訳（メタデータ） (2025-05-26T10:20:12Z)
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。