論文の概要: From Prediction to Self: Developmental Conditions for Agency in Minimal Neural Systems

• arxiv url: http://arxiv.org/abs/2606.05605v1
• Date: Thu, 04 Jun 2026 02:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.494695
• Title: From Prediction to Self: Developmental Conditions for Agency in Minimal Neural Systems
• Title（参考訳）: 予測から自己へ:ミニマルニューラルシステムにおけるエージェントの発達条件
• Authors: Evan Ye,
• Abstract要約: 我々は、単に世界を予言するシステムが、自分たち自身の因果関係の影響を他のあらゆるものと区別するためにどのように現れるかを示す。 このプロセスを追跡する指標として,エージェントゲイン(A = Err_world - Err_self)を提案する。
• 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: How does a system that merely predicts the world come to distinguish its own causal influence from everything else? We trace this transition in a minimal 192-dimensional GRU through 40 controlled experiments arranged as a developmental sequence, adding components one at a time and tracking whether the system can distinguish self-caused from world-caused changes. The developmental path reveals four conditions that must be satisfied in strict order: (1) persistent state forming stable attractors, (2) a causal action loop linking output to input, (3) proprioceptive feedback that makes implicit causal knowledge explicit, and (4) asynchronous awakening - perceptual learning must consolidate before action learning begins. We propose agency gain (A = Err_world - Err_self), the predictive advantage of knowing one's own action, as a metric to track this process. The self-aware predictor consistently outperforms the self-blind predictor across periodic (sinusoidal) and chaotic (Lorenz) environments, and the metric survives ablation of all auxiliary components. Only forward-sampled action selection produces meaningful agency gain; two gradient-based alternatives degenerate. Equally significant are 12 falsified hypotheses mapping where development stalls: predictive coding alone does not produce self-represent
• Abstract（参考訳）: 単に世界を予言するシステムが、他のすべてと独自の因果関係の影響を区別するためにどのように現れるのか? 我々は、この遷移を最小の192次元のGRUから40個の制御された実験で追跡し、コンポーネントを1つずつ追加し、システムが世界によって引き起こされた変化から自己を区別できるかどうかを追跡する。 発達経路は,(1)安定したアトラクタを形成する持続状態,(2)入力に出力をリンクする因果的行動ループ,(3)暗黙的な因果的知識を明示する先入観的フィードバック,(4)非同期覚醒(asynchronous awakening)の4つの条件を厳密な順序で満たさなければならない。 このプロセスを追跡する指標として,エージェントゲイン(A = Err_world - Err_self)を提案する。 自己認識予測器は周期的(正弦波)およびカオス的(ローレンツ)環境において常に自己盲検予測器より優れており、計量はすべての補助成分のアブレーションを継続する。 フォワードサンプリングされたアクション選択のみが有意義なエージェンシーゲインをもたらし、2つの勾配に基づく代替手段が退化する。 等しく重要なのは、開発が停滞する12のファルシフィケーション仮説マッピングである:予測符号化だけでは自己表現が得られない

関連論文リスト

• Same World, Differently Given: History-Dependent Perceptual Reorganization in Artificial Agents [0.0]
  私は、遅延した$g$が知覚にフィードバックし、知覚処理によって更新される最小限のアーキテクチャを提示します。 これにより、エージェントの蓄積した姿勢に応じて、同一の観測を異なる方法で符号化することができる。 適応的な自己変調のみは、厳密なまたは常にオープンな更新レジームとは異なり、特徴的な成長過程の安定化ダイナミクスをもたらす。
  論文  参考訳（メタデータ） (2026-04-06T12:39:22Z)
• Telogenesis: Goal Is All U Need [8.585574846949628]
  本稿では,3つのギャップ(無知,驚き,安定度)から観測目標を生成する優先度関数を提案する。 最小のアテンションアロケーション環境(2000ラン)と、モジュラーで部分的に観測可能な世界(500ラン)の2つのシステムでこれを検証します。 大域的な予測エラーの下では、カバレッジベースのローテーションが勝利し、変更検出遅延下では、優先度誘導されたアロケーションが勝利し、次元とともに単調に成長する。
  論文  参考訳（メタデータ） (2026-03-10T10:28:45Z)
• OrthoFormer: Instrumental Variable Estimation in Transformer Hidden States via Neural Control Functions [0.0]
  シーケンシャルなモデリングにおいて優れたトランスフォーマーアーキテクチャは、相関学習によって基本的に制限される。 そこで我々はOrthoFormerを提案する。OrthoFormerは機械的変数推定をニューラル制御機能を介してTransformerブロックに直接組み込む因果的基底アーキテクチャである。
  論文  参考訳（メタデータ） (2026-03-08T03:05:16Z)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)

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。