論文の概要: Interestingness as an Inductive Heuristic for Future Compression Progress

• arxiv url: http://arxiv.org/abs/2605.14831v1
• Date: Thu, 14 May 2026 13:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.847689
• Title: Interestingness as an Inductive Heuristic for Future Compression Progress
• Title（参考訳）: インダクティブ・ヒューリスティックとしての今後の圧縮の進展への関心
• Authors: Vincent Herrmann, Jürgen Schmidhuber,
• Abstract要約: 我々は、Longth, Algorithmic, Speedで複雑性ランタイムプロファイルを解析する。 予測される今後の進歩は、観測された最後のブレークスルーの正確さに指数関数的に依存することを証明する。
• 参考スコア（独自算出の注目度）: 32.013950308286205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One of the bottlenecks on the way towards recursively self-improving systems is the challenge of interestingness: the ability to prospectively identify which tasks or data hold the potential for future progress. We formalize interestingness as an inductive heuristic for future compression progress and investigate its predictability using tools from Kolmogorov Complexity and Algorithmic Statistics. By analyzing complexity-runtime profiles under Length, Algorithmic, and Speed priors, we demonstrate that the inductive property of interestingness -- the capacity for past progress to signal future discovery -- is theoretically viable and empirically supported. We prove that expected future progress depends exponentially on the recency of the last observed breakthrough. Furthermore, we show that the Algorithmic Prior is significantly more optimistic than the Length Prior, yielding a quadratic increase in expected discovery for the same observed profile. These findings are experimentally confirmed across three diverse universal computational paradigms.
• Abstract（参考訳）: 再帰的に自己改善するシステムへの道のりのボトルネックの1つは、興味深いことの挑戦である。 我々は,今後の圧縮進行の帰納的ヒューリスティックとして興味を定式化し,その予測可能性について,Kolmogorov Complexity と Algorithmic Statistics のツールを用いて検討する。 Length, Algorithmic, Speedの下での複雑性-ランタイムプロファイルを解析することにより、興味の帰納的特性、すなわち、過去の信号発見への進歩の能力が理論的に可能であり、実証的に支持されていることを実証する。 予測される今後の進歩は、観測された最後のブレークスルーの正確さに指数関数的に依存することを証明する。 さらに,アルゴリズム優先法は長さ優先法よりもかなり楽観的であり,観測されたプロファイルの2次的な増加が期待できることを示した。 これらの結果は3つの普遍計算パラダイムで実験的に確認されている。

関連論文リスト

• Navigating Time's Possibilities: Plausible Counterfactual Explanations for Multivariate Time-Series Forecast through Genetic Algorithms [0.0]
  本稿では,時系列分析と予測の文脈における対実的学習の新たな手法を提案する。 提案手法は, 遺伝的アルゴリズムと厳密な因果性試験を統合して, 反実的依存関係を推測し, 検証する。 本研究では,実世界のデータに対するアルゴリズムの性能評価を行い,複雑な因果関係を扱えることを示す。
  論文  参考訳（メタデータ） (2026-03-01T01:08:20Z)
• Emergence of Superposition: Unveiling the Training Dynamics of Chain of Continuous Thought [64.43689151961054]
  有向グラフ到達性問題に対する簡易な2層変圧器のトレーニング力学を理論的に解析する。 分析の結果,連続的思考を用いたトレーニングでは,まずインデックスマッチングロジットが増加し,その後は軽度な仮定の下で拘束されることがわかった。
  論文  参考訳（メタデータ） (2025-09-27T15:23:46Z)
• Integrating Activity Predictions in Knowledge Graphs [0.0]
  本研究では,漁船の動きなどのデータを知識グラフから整理して検索する方法を示す。 これらのクエリ結果はマルコフ連鎖モデルの作成に使用され、船体の歴史に基づいて将来の状態を予測できます。
  論文  参考訳（メタデータ） (2025-07-26T01:22:06Z)
• MANTA: Diffusion Mamba for Efficient and Effective Stochastic Long-Term Dense Anticipation [17.4088244981231]
  長期にわたる高密度な行動予測は、行動の予測と、その持続期間を未来まで数分間待つ必要があるため、困難である。 本稿では, 効果的長期時間モデリングを実現するため, MANTA (MAmba for ANTicipation) ネットワークを提案する。 当社のアプローチでは,Breakfast,50Salads,Ambly101という3つのデータセットに対して,最先端の結果を実現しています。
  論文  参考訳（メタデータ） (2025-01-15T14:46:44Z)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• An Empirical Study on the Power of Future Prediction in Partially Observable Environments [15.773444560355694]
  自己予測補助タスクは、完全に観察された環境でのパフォーマンスを向上させることが示されているが、部分観測性におけるそれらの役割はいまだに解明されていない。 我々は、強化学習から表現学習を明示的に分離するアプローチである$textttDRL2$を導入する。 本研究は,将来予測性能が表現品質の信頼性指標となり,RL性能の向上に寄与するという考えを裏付けるものである。
  論文  参考訳（メタデータ） (2024-02-11T04:53:40Z)
• Enhancing Algorithm Performance Understanding through tsMorph: Generating Semi-Synthetic Time Series for Robust Forecasting Evaluation [0.393259574660092]
  本稿では,データセットのモーフィングによる半合成時系列生成ツールであるtsMorphについて述べる。 本稿では,Long Short-Term Memory NetworkとDeepAR予測アルゴリズムの予測性能を評価することにより,tsMorphの利点を示す。
  論文  参考訳（メタデータ） (2023-12-03T10:40:07Z)
• A-ACT: Action Anticipation through Cycle Transformations [89.83027919085289]
  未来を予測できる人間の能力が、機械学習アルゴリズムにどのように移行できるかを分析するために、一歩後退します。 人間の心理学に関する最近の研究は、発生を予測して、人間の脳が両方のシステムにカウントされていることを説明している。 本研究では,行動予測作業における各システムの影響について検討し,学習フレームワークに統合するためのパラダイムを導入する。
  論文  参考訳（メタデータ） (2022-04-02T21:50:45Z)
• An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
  本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。 本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-19T10:15:00Z)
• Video Prediction via Example Guidance [156.08546987158616]
  ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。 本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:57:24Z)

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。