論文の概要: Structure Abstraction and Generalization in a Hippocampal-Entorhinal Inspired World Model

• arxiv url: http://arxiv.org/abs/2605.15733v1
• Date: Fri, 15 May 2026 08:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.222473
• Title: Structure Abstraction and Generalization in a Hippocampal-Entorhinal Inspired World Model
• Title（参考訳）: 海馬-角膜誘発世界モデルにおける構造抽象化と一般化
• Authors: Tianqiu Zhang, Muyang Lyu, Xiao Liu, Si Wu,
• Abstract要約: 脳にインスパイアされた階層モデルが潜伏遷移を推測し、予測的視覚世界モデルを構築する方法を示す。 この研究は、脳にインスパイアされた、世界モデルの自己教師付き学習が再利用可能な抽象的知識の獲得をいかに促進するかを理解するための、新しい計算フレームワークを提供する。
• 参考スコア（独自算出の注目度）: 11.849694189409526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans abstract experiences into structured representations to facilitate pattern inference and knowledge transfer. While the hippocampal-entorhinal (HPC-MEC) circuit is known to represent both spatial and conceptual spaces, the mechanisms for concurrently extracting abstract structures from continuous, high-dimensional dynamics remain poorly understood. We propose a brain-inspired hierarchical model that simultaneously infers latent transitions and constructs a predictive visual world model. Our architecture employs an inverse model for structural extraction alongside an HPC-MEC coupling model that dissociates relational structures (MEC) from integrated episodic scenes (HPC). Using primitive transformation dynamics as a benchmark, we demonstrate the model's capacity for structural abstraction. By leveraging velocity-driven path integration, the framework enables robust prediction and structural reuse across diverse contexts, thereby achieving structural generalization. This work provides a novel computational framework for understanding how brain-inspired, self-supervised learning of world models facilitates the acquisition of reusable abstract knowledge.
• Abstract（参考訳）: 人間は、パターン推論と知識伝達を促進するために、経験を構造化表現に抽象化する。 海馬内鼻神経回路(HPC-MEC)は空間空間と概念空間の両方を表すことが知られているが、連続的な高次元力学から抽象構造を同時に抽出する機構は理解されていない。 本稿では、潜在遷移を同時に推論し、予測的視覚世界モデルを構築する、脳にインスパイアされた階層モデルを提案する。 本アーキテクチャでは,HPC-MEC結合モデルとともに構造抽出のための逆モデルを用いて,統合エピソードシーン(HPC)からリレーショナル構造(MEC)を解離する。 プリミティブ・トランスフォーメーション・ダイナミクスをベンチマークとして、構造的抽象化のためのモデルのキャパシティを実証する。 このフレームワークはベロシティ駆動の経路統合を利用することで、さまざまなコンテキストにわたる堅牢な予測と構造的再利用を可能にし、構造的一般化を実現する。 この研究は、脳にインスパイアされた、世界モデルの自己教師付き学習が、再利用可能な抽象的知識の獲得をいかに促進するかを理解するための、新しい計算フレームワークを提供する。

関連論文リスト

• World Action Models: The Next Frontier in Embodied AI [123.5787299299832]
  VLA(Vision-Language-Action)モデルは、具体的政策学習のための強力なセマンティックな一般化を実現している。 彼らは、物理的な世界が介入の下でどのように進化するかを明示的にモデル化することなく、リアクティブな観察から行動へのマッピングを学ぶ。 成長するこの制限には、世界モデル、環境ダイナミクスの予測モデル、アクション生成パイプラインを統合することで対処する。
  論文  参考訳（メタデータ） (2026-05-12T13:10:52Z)
• TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
  手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。 マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。 また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
  論文  参考訳（メタデータ） (2026-03-10T10:19:42Z)
• The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
  一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。 本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。 我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
  論文  参考訳（メタデータ） (2026-02-26T16:15:55Z)
• Geometric Priors for Generalizable World Models via Vector Symbolic Architecture [9.216794073296679]
  人工知能の鍵となる課題は、ニューラルネットワークが世界の基盤となるダイナミクスを捉える表現を学ぶ方法を理解することである。 本稿では,ベクトル記号アーキテクチャ(VSA)の原理に基づく一般化可能な世界モデルを用いて,これらの問題を解決する。 潜在群構造を持つためのトレーニングは、一般化可能、データ効率、解釈可能な世界モデルをもたらすかを示す。
  論文  参考訳（メタデータ） (2026-02-25T00:41:42Z)
• From monoliths to modules: Decomposing transducers for efficient world modelling [74.41506965793417]
  我々はトランスデューサで表される複雑な世界モデルを分解するフレームワークを開発する。 提案手法は,異なる入力出力サブ空間で動作するサブトランスデューサを導出する。
  論文  参考訳（メタデータ） (2025-12-01T20:37:43Z)
• Natural Building Blocks for Structured World Models: Theory, Evidence, and Scaling [42.78591555984395]
  本研究では,構造化世界モデルの自然構築ブロックを規定するフレームワークを提案する。 本研究では,隠れマルコフモデル (HMM) と線形切替力学系 (sLDS) を離散的・連続的モデリングのための自然な構築ブロックとして検討する。 このモジュラーアプローチは、受動的モデリング(生成、予測)と、同じアーキテクチャ内のアクティブコントロール(計画、意思決定)の両方をサポートする。
  論文  参考訳（メタデータ） (2025-11-03T22:02:04Z)
• Swing-by Dynamics in Concept Learning and Compositional Generalization [41.84127616263314]
  本稿では,モデルが学習し,構造的に整理されたセントロイドとガウス混合体上でのアイデンティティマッピングを学習するSIMタスクを提案する。 我々は、このSIMタスクでトレーニングされたニューラルネットワークの学習力学を数学的に解析し、その単純さにもかかわらず、SIMの学習力学が重要な経験的観察を捉え、説明するのに役立っていることを示す。 私たちの理論はまた、トレーニングの初期段階におけるテスト損失の非単調学習ダイナミクスの新しいメカニズムを見つけるなど、いくつかの新しい洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-10T18:58:29Z)
• Abstract Interpretation for Generalized Heuristic Search in Model-Based Planning [50.96320003643406]
  ドメイン・ジェネラル・モデル・ベース・プランナーは、しばしば記号的世界モデルの緩和を通じて探索を構築することによって一般性を導出する。 抽象解釈がこれらの抽象化の統一フレームワークとして機能し、よりリッチな世界モデルに探索の範囲を広げる方法について説明する。 また、これらは学習と統合することができ、エージェントは抽象的な情報を通じて、新しい世界のモデルで計画を開始することができる。
  論文  参考訳（メタデータ） (2022-08-05T00:22:11Z)
• S2RMs: Spatially Structured Recurrent Modules [105.0377129434636]
  モジュール構造とテンポラル構造の両方を同時に活用できる動的構造を利用するための一歩を踏み出します。 我々のモデルは利用可能なビューの数に対して堅牢であり、追加のトレーニングなしで新しいタスクに一般化できる。
  論文  参考訳（メタデータ） (2020-07-13T17:44:30Z)

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。