論文の概要: Cortex and subcortex play distinct roles over learning when cortical memory is limited

• arxiv url: http://arxiv.org/abs/2606.00667v1
• Date: Sat, 30 May 2026 10:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.582975
• Title: Cortex and subcortex play distinct roles over learning when cortical memory is limited
• Title（参考訳）: 皮質記憶が制限されたときの学習における皮質と皮質下の役割
• Abstract要約: 学習中に皮質系と皮質下系の機能的解離の理論的基礎を提供する。 皮質は一般的な構造学習をサポートし、皮質下回路は報酬に基づく学習を専門とする。
• 参考スコア（独自算出の注目度）: 2.7930955543692817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It has been proposed that the brain integrates flexible, computationally expensive cortical processing with simpler, lower-cost subcortical mechanisms to achieve resource-efficient performance greater than that of either system alone. Despite the allure of this perspective, satisfying theoretical frameworks that explore this hypothesis are still limited. We extend existing frameworks in which a model-based module and model-free module learn in tandem by explicitly constraining the memory resources of the model-based module, and investigate the impact of this constraint in a simple decision-making setting. Memory constraints naturally give rise to strategies for allocating memory resources. We evaluate the performance of different strategies in different situations and demonstrate that when the rewarded states change often, it can be advantageous for the model-based module to focus its memory resources not on exploiting the current reward, but on capturing general structure of the environment. This work provides a theoretical foundation for a functional dissociation between cortical and subcortical systems during learning: the cortex supports general structure learning, while subcortical circuits specialize in reward-based learning. We further detail how these hypotheses can be tested on experimental data.
• Abstract（参考訳）: 脳は柔軟で計算コストのかかる皮質処理とよりシンプルで低コストな皮質下機構を統合し、どちらのシステムよりも資源効率の高い性能を実現することが提案されている。 この観点の魅力にもかかわらず、この仮説を探求する理論的な枠組みを満たすことは依然として限られている。 モデルベースモジュールとモデルフリーモジュールが、モデルベースモジュールのメモリリソースを明示的に制約することで、タンデムで学習する既存のフレームワークを拡張し、簡単な意思決定環境でこの制約の影響について検討する。 メモリ制約は、メモリリソースを割り当てる戦略を自然に生み出す。 我々は、異なる状況における異なる戦略の性能を評価し、報奨状態が頻繁に変化すると、モデルベースのモジュールが、現在の報奨を活用せず、環境の一般的な構造を捉えることに焦点を合わせることが有利であることを示す。 この研究は、学習中の皮質と皮質下系の機能的解離の理論的基盤を提供する:皮質は一般的な構造学習をサポートし、皮質下回路は報酬に基づく学習を専門とする。 さらに、これらの仮説が実験データでどのようにテストできるかを詳述する。

関連論文リスト

• Large Vision-Language Models Get Lost in Attention [51.851592109135716]
  本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。 注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
  論文  参考訳（メタデータ） (2026-05-07T04:45:52Z)
• Understanding LoRA as Knowledge Memory: An Empirical Analysis [20.53732426953178]
  本稿では,Low-Rank Adaptation (LoRA) をモジュール型知識メモリとして用いたパラメトリック手法について検討する。 このギャップをLoRAベースのメモリの設計空間をマッピングする最初の体系的な経験的研究を通して埋める。 以上の結果から,LORAはRAG,ICCと相補的な記憶軸として位置づけられた。
  論文  参考訳（メタデータ） (2026-03-01T13:28:57Z)
• Neural-Inspired Posterior Approximation (NIPA) [1.1649834448993244]
  人間は、複数の相互作用する神経システムと対話することで、環境から効率的に学習する。 我々は,この生物学的効率の根底にある計算原理を解明し,それらをサンプリングアルゴリズムに変換することを目的としている。 このアプローチはベイズ的手法を進化させ,大規模統計機械学習問題への応用を促進することを示す。
  論文  参考訳（メタデータ） (2026-01-30T04:19:26Z)
• Rethinking the Role of Dynamic Sparse Training for Scalable Deep Reinforcement Learning [58.533203990515034]
  ニューラルネットワークのスケーリングは機械学習における画期的な進歩をもたらしたが、このパラダイムは深層強化学習(DRL)では失敗している。 我々は、動的スパーストレーニング戦略が、アーキテクチャの改善によって確立された主要なスケーラビリティ基盤を補完するモジュール固有の利点を提供することを示す。 アーキテクチャ改善の利点を生かした実践的なフレームワークであるModule-Specific Training (MST) にこれらの知見を精査し、アルゴリズムの修正なしに様々なRLアルゴリズムをまたいだ大幅なスケーラビリティ向上を示す。
  論文  参考訳（メタデータ） (2025-10-14T03:03:08Z)
• Bridging Foundation Models and Efficient Architectures: A Modular Brain Imaging Framework with Local Masking and Pretrained Representation Learning [7.591083752535149]
  ファンデーションモデル(FM)の原則を効率よくドメイン固有のアーキテクチャと統合するモジュラーフレームワークを提案する。 平均絶対誤差は, 年齢予測では5.343, 流体知能では2.940, ピアソン相関係数は0.928, 0.887であった。 この研究は、LLMに基づくfMRI分析のアプローチに代わる堅牢で解釈可能な代替手段を提供し、脳の老化と認知機能に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-08-09T08:06:01Z)
• Memory Allocation in Resource-Constrained Reinforcement Learning [8.866141780407903]
  リソースの制約は、学習と意思決定の両方を根本的に変えることができます。 標準的な強化学習アルゴリズムを用いて、未知環境をナビゲートする際のメモリ制約がエージェントの性能に与える影響について検討する。 特に、メモリ制限されたエージェントはジレンマに直面している:そのモデルを使用して計画を作成するのとは対照的に、そのエージェントの内部プロセス、例えば世界モデルを見積もるなど、そのエージェントの内部プロセスに制限されたメモリのどのくらいを割り当てるべきか?
  論文  参考訳（メタデータ） (2025-06-09T21:15:37Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Is a Modular Architecture Enough? [80.32451720642209]
  我々は、シンプルで既知のモジュラーデータ分散のレンズを通して、共通のモジュラーアーキテクチャを徹底的に評価する。 モジュール化と疎結合のメリットを強調し、モジュール化システムの最適化において直面する課題に関する洞察を明らかにします。
  論文  参考訳（メタデータ） (2022-06-06T16:12:06Z)
• Weakly Supervised Semantic Segmentation via Alternative Self-Dual Teaching [82.71578668091914]
  本稿では,分類とマスク・リファインメント・コンポーネントを統合された深層モデルに組み込む,コンパクトな学習フレームワークを確立する。 本稿では,高品質な知識相互作用を促進するために,新たな自己双対学習(ASDT)機構を提案する。
  論文  参考訳（メタデータ） (2021-12-17T11:56:56Z)
• Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
  HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。 我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。 我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
  論文  参考訳（メタデータ） (2021-10-18T17:56:02Z)
• Modular-Relatedness for Continual Learning [20.559945682354538]
  逐次的タスク学習者にとって有益な連続学習(CL)手法を提案する。 このアプローチの主なターゲットは、ニューラルネットワークのモジュラー部分の自動抽出と、これらのモジュラーコンポーネントが与えられたタスク間の関連性を推定することである。 この手法は、正規化ベースの(例えばElastic Weight Consolidation)やリハーサルベースの(例えばGradient Episodic Memory)といった、エピソードメモリを必要とするCLメソッドの異なるファミリーに適用できる。
  論文  参考訳（メタデータ） (2020-11-02T19:30:15Z)

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。