論文の概要: The Mathematics of AI Winters: The mathematical Taxonomy of Paradigm Fragility in AI Winter

• arxiv url: http://arxiv.org/abs/2606.12610v1
• Date: Wed, 10 Jun 2026 19:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.422459
• Title: The Mathematics of AI Winters: The mathematical Taxonomy of Paradigm Fragility in AI Winter
• Title（参考訳）: AI冬の数学:AI冬のパラダイム脆弱性の数学的分類
• Authors: Miquel Noguer i Alonso, David Pacheco Aznar,
• Abstract要約: 資金の削減と人工知能研究への信頼の2つの主要な期間は、一般的に第1と第2のAI冬と呼ばれる。 この記事では、これらの時代の支配的なパラダイムも真の形式的障壁に到達した、という補完的な論説を発展させる。 初期のAIのいくつかの中心的な失望は、数学的に正確なボトルネックと一致していた。
• 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: Two major periods of reduced funding and confidence in artificial intelligence research, commonly called the first and second AI winters, are usually explained through engineering failure, commercial disappointment, and inflated expectations. This article develops a complementary thesis: that the dominant paradigms of those periods also met genuine formal barriers, including limitations of representation, optimisation, computational complexity, statistical learnability, and high-dimensional approximation. The contribution is synthetic rather than archival. We do not claim that particular theorems mechanically caused the winters; rather, we show that several central disappointments of early AI were aligned with mathematically precise bottlenecks. We analyse these bottlenecks through the perceptron impossibility results of Minsky and Papert, the complexity-theoretic hardness of exact neural-network training established by Blum and Rivest, minimax rates for nonparametric estimation in high dimension due to Stone, vanishing-gradient analyses by Hochreiter and by Bengio and collaborators, and classical statistical learning theory in the tradition of Vapnik and Chervonenkis, Valiant, and Blumer and collaborators. We then relate these barriers to the later breakthroughs that mitigated, rather than eliminated, them.
• Abstract（参考訳）: 一般的に第1と第2のAI冬と呼ばれる、人工知能研究への資金提供の削減と信頼の2つの主要な期間は、エンジニアリングの失敗、商業的な失望、期待の膨らみによって説明される。 この記事では、これらの時代の支配的なパラダイムが、表現の制限、最適化、計算複雑性、統計的学習可能性、高次元近似など、真の形式的障壁に到達した、という補完的な理論を論じる。 その貢献は人工的なものではなく合成的なものである。 我々は、特定の定理が冬を機械的に引き起こしたと主張するのではなく、初期のAIのいくつかの中心的な失望は、数学的に正確なボトルネックと一致していたことを示している。 我々は,ミンスキーとパパートの知覚論的不合理性,BlumとRivestが確立した正確なニューラルネットワークトレーニングの複雑さ-理論的硬さ,石による非パラメトリック推定の最小値,HochreiterとBengioと共同研究者による漸進的分析,そしてVapnik,Chervonenkis,Valiant,Blumerと共同研究者の伝統における古典的統計的学習理論を用いて,これらのボトルネックを分析した。 次に、これらの障壁を排除するのではなく、緩和した後のブレークスルーに関連付けます。

関連論文リスト

• Singularity Formation: Synergy in Theoretical, Numerical and Machine Learning Approaches [5.525024500312207]
  ナヴィエ・ストークス方程式(NSE)の形成は、クレイ賞の7つの問題のうちの1つであることで有名である。 本稿では,ペンと紙の特異点を単純化し,より単純な特異なPDEに対して体系化する頑健な分析フレームワークを提案する。 機械学習手法は,潜在的な爆発解を識別し,特徴付ける能力を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2026-04-18T05:24:35Z)
• Riemann-Bench: A Benchmark for Moonshot Mathematics [0.12430801435092285]
  近年のAIシステムは国際数学オリンピックでゴールド・メディカルレベルのパフォーマンスを達成した。 我々は、研究レベルの数学におけるAIシステムを評価するために設計された25のエキスパートキュレートされた問題のプライベートベンチマークであるベンチを紹介する。
  論文  参考訳（メタデータ） (2026-04-08T08:16:37Z)
• The Neurosymbolic Frontier of Nonuniform Ellipticity: Formalizing Sharp Schauder Theory via Topos-Theoretic Reasoning Models [0.0]
  非一様楕円正則理論とニューロシンボリック大推論モデル(LRM)の最近のブレークスルーを示す。 スライストポスにおける分類的コリミットとして推論過程をモデル化することにより、LEMが変分計算の「ダークサイド」を自律的にナビゲートする方法を実証する。
  論文  参考訳（メタデータ） (2026-02-11T08:24:57Z)
• Towards Autonomous Mathematics Research [48.29504087871558]
  Aletheiaは、自然言語のエンドツーエンドの解を反復的に生成し、検証し、修正する数学研究エージェントである。 具体的には、AletheiaはGemini Deep Thinkの高度なバージョンで、推論の問題に挑戦している。 我々は、オリンピアード問題から博士レベルのエクササイズまで、AI支援数学研究におけるいくつかのマイルストーンを通じて、アレクシアを実証する。
  論文  参考訳（メタデータ） (2026-02-10T18:50:15Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Transformers Provably Learn Chain-of-Thought Reasoning with Length Generalization [53.89723291716722]
  AI推論に関する重要な問題は、モデルが学習した推論パターンを外挿して、より長いチェーン・オブ・シークレット(CoT)で難しいタスクを解決できるかどうかである。 状態追跡問題の代数構造が、学習されたCoTの外挿の度合いをいかに支配するかを数学的に証明する。 定数深度変換器はCoTで$mathsfNC1$-complete問題を確実に学習することを保証する。
  論文  参考訳（メタデータ） (2025-11-10T18:40:24Z)
• An entropy-optimal path to humble AI [1.3048920509133808]
  ボルツマンマシンの非平衡エントロピー最適化再構成のための新しい数学的枠組みを導入する。 その結果, 数学的に整合した存在と独特さの基準を持つ, 高性能だがより安価で, 勾配のない学習フレームワークが得られた。 この枠組みを歴史的気候データに適用すると、重要なラニーナ現象とエルニーノ現象の発症の予測スキルが体系的に高いモデルが得られる。
  論文  参考訳（メタデータ） (2025-06-22T08:13:22Z)
• A Triumvirate of AI Driven Theoretical Discovery [0.0]
  近い将来、AIに取って代わられる危険はないが、人間の専門知識とAIアルゴリズムのハイブリッドは、理論的な発見の不可欠な部分になる、と我々は主張する。
  論文  参考訳（メタデータ） (2024-05-30T11:57:00Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Bias-Variance Tradeoffs in Single-Sample Binary Gradient Estimators [100.58924375509659]
  ストレートスルー (ST) 推定器はその単純さと効率性から人気を得た。 計算の複雑さを低く保ちながら、STよりも改善するいくつかの手法が提案された。 我々は、トレードオフを理解し、元来主張された特性を検証するために、これらの手法のバイアスとばらつきの理論解析を行う。
  論文  参考訳（メタデータ） (2021-10-07T15:16:07Z)

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。