論文の概要: Building Generalization Into Behavior Generation Via Adaptive Compositions of Regularities

• arxiv url: http://arxiv.org/abs/2605.31110v1
• Date: Fri, 29 May 2026 10:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.534717
• Title: Building Generalization Into Behavior Generation Via Adaptive Compositions of Regularities
• Title（参考訳）: 規則性に適応した構成による行動生成へのビルの一般化
• Abstract要約: ロボット工学における一般化は、世界がどのように構成されているかに関する事前の知識を必要とする。 本稿では、正規性を適応的に構成することから一般化が生じるという命題を考察する。
• 参考スコア（独自算出の注目度）: 7.489722641968593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalization in robotics requires prior knowledge about how the world is structured, yet this structure changes from one situation to the next. This paper investigates the proposition that generalization arises from adaptively composing regularities -- predictable relationships within the robot-environment system -- into situation-appropriate structures for behavior generation. We examine this proposition by analyzing the mechanism in AICON (Active InterCONnect), a framework representing regularities as interacting processes in a differentiable network, where sensory feedback realizes composition and gradient descent generates behavior. To isolate adaptive composition as the key mechanism, we study a simple simulated problem in which all relevant regularities can be identified. We expose the resulting model to a wide range of novel conditions not considered during design, and we find that it generates context-appropriate behavior in all but one case, where encoded regularities are provably insufficient. Ablations reveal that the network automatically modulates which regularities influence behavior based on their informativeness. These results suggest that adaptive composition of regularities constitutes a powerful inductive bias for building generalization into behavior generation.
• Abstract（参考訳）: ロボット工学における一般化は、世界がどのように構成されているかに関する事前知識を必要とするが、この構造は、ある状況から次の状況へ変化する。 本稿では,ロボット環境システム内の予測可能な関係を適応的に構成し,行動生成の状況に適合する構造に一般化が生じるという仮説を考察する。 本稿では,AICON(Active InterCONnect)における規則性を表すフレームワークを,知覚フィードバックが構成を認識し,勾配降下が振舞いを発生させる,微分可能なネットワークにおける相互作用プロセスとして分析することにより,この提案を検証する。 適応合成を鍵機構として分離するために,すべての関係する正則性を同定できる単純なシミュレート問題について検討する。 設計時に考慮されていない幅広い新しい条件に結果モデルを公開し、符号化された正規性が不十分な1つのケースを除いて、コンテキストに適合する振る舞いを生成する。 アブレーションにより、ネットワークは、どの規則が行動に影響を及ぼすかを、その情報に基づいて自動的に変調することが明らかになった。 これらの結果は、正規性の適応的構成が、行動生成への一般化を構築するための強力な帰納的バイアスを構成することを示唆している。

関連論文リスト

• Structure-Behavior Coalescence and the Limits of Traditional Systems Theory [0.0]
  本稿では、リフレーミング原理としてStructure-Behavior Coalescence(SBC)を紹介する。 この観点から、システムアイデンティティは、構造的組織と行動力学の持続的共決定から生じるものとして理解されている。 このリフレーミングは、サイバー情報システムの観点からシステムのアイデンティティ、出現、境界形成を統一的に理解する方法を提供する。
  論文  参考訳（メタデータ） (2026-08-29T21:04:46Z)
• From Application-Layer Simulation to Native Meta-Architecture: Structural Tension as an Endogenous Driver for Heterogeneous AI Evolution [0.0]
  現在の大規模言語モデル(LLM)は、推論セッション間でステートレスである。 本稿では,アプリケーション層認知プロトコルをネイティブなメタアーキテクチャに組み込むための理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-07-07T13:34:27Z)
• A Mechanism-Driven Theory of Phase Transitions in Active Learning [3.5819392925290043]
  アクティブラーニング(AL)のパフォーマンスは予算依存であることが知られているが、レシエーションはデータセットやアーキテクチャ全体にわたって一般化できない。 我々は、予算制度を支配的一般化機構のシフトとみなすことにより、ALダイナミクスを特徴づける。 この作業は、次世代のトランジション対応ALアルゴリズムのための統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-06-30T20:20:33Z)
• Interoceptive machine framework: Toward interoception-inspired regulatory architectures in artificial intelligence [0.0]
  本稿では, インターセプティブ・マシン・フレームワークを具体化し, インターセプティブ・マシン・フレームワークを組み込んだ統合型フレームワークを提案する。 提案フレームワークは,内的生存性規制,予測的不確実性に基づく再評価,インタラクションによるアクティブなデータ生成の3つの機能原則に,相互受容的貢献をまとめる。 最終的に、インターセプティブマシンフレームワークは、インボデードAIシステムにおいて、内部規制が自律性、適応性、堅牢性をいかに向上させるかについて、統一的な視点を提供する。
  論文  参考訳（メタデータ） (2026-04-27T14:28:09Z)
• Smooth embeddings in contracting recurrent networks driven by regular dynamics: A synthesis for neural representation [45.88028371034407]
  最近の実証研究は、訓練された反復モデルにおけるトポロジー保存潜在組織を文書化している。 貯水池計算における最近の理論的結果は、同期写像が埋め込みである条件を確立する。 私たちのコントリビューションは、一般的な同期と、契約型貯水池の埋め込み保証を組み立てる統合フレームワークです。
  論文  参考訳（メタデータ） (2026-01-26T23:10:39Z)
• Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
  PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。 提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。 我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
  論文  参考訳（メタデータ） (2026-01-13T00:42:22Z)
• Layer Specialization Underlying Compositional Reasoning in Transformers [6.581088182267414]
  トランスフォーマーは、トレーニング中に観察されていないシーケンスに関する構成的推論を示す。 確率論的文脈自由文法であるランダム階層モデル(RHM)を用いて,この現象を考察する。 メカニカルには、一般化性能と相関するトレーニング中の層特殊化の進行する出現を同定する。
  論文  参考訳（メタデータ） (2025-10-20T12:08:22Z)
• Unlocking Out-of-Distribution Generalization in Transformers via Recursive Latent Space Reasoning [50.99796659680724]
  本研究では,GSM8Kスタイルのモジュラー演算をテストベッドとして用いたTransformerネットワークにおけるアウト・オブ・ディストリビューション(OOD)の一般化について検討する。 我々は,OOD一般化の強化を目的とした4つのアーキテクチャ機構のセットを紹介し,検討する。 我々はこれらの実験結果を詳細な機械論的解釈可能性分析で補完し、これらのメカニズムがOOD一般化能力をいかに高めるかを明らかにする。
  論文  参考訳（メタデータ） (2025-10-15T21:03:59Z)
• Cross-Model Semantics in Representation Learning [1.2064681974642195]
  構造的正則性は、構造的変動の下でより安定な表現幾何学を誘導することを示す。 これは、ある種の帰納バイアスがモデル内の一般化をサポートするだけでなく、モデル間の学習された機能の相互運用性を向上させることを示唆している。
  論文  参考訳（メタデータ） (2025-08-05T16:57:24Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Navigating the swarm: Deep neural networks command emergent behaviours [2.7059353835118602]
  エージェント間相互作用ルールを微調整することにより,グローバルなパターンを意図した集合行動の協調構造を生成することができることを示す。 私たちの戦略では、望ましい構造を指示する相互作用ルールを見つけるために、ダイナミックスの法則に従うディープニューラルネットワークを採用しています。 本研究は, ロボット群操作, アクティブ物質組織, 生体システムにおける不明瞭な相互作用規則の解明における新たな応用の道を開くものである。
  論文  参考訳（メタデータ） (2024-07-16T02:46:11Z)
• Learning Syntax Without Planting Trees: Understanding Hierarchical Generalization in Transformers [74.96551626420188]
  自然言語データに基づいて訓練されたトランスフォーマーは、その階層構造を学習し、目に見えない構文構造を持つ文に一般化することが示されている。 本研究では,変圧器モデルにおける帰納バイアスの発生源と,そのような一般化行動を引き起こす可能性のあるトレーニングについて検討する。
  論文  参考訳（メタデータ） (2024-04-25T07:10:29Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。