論文の概要: Structured Representation Learning with Locally Linear Embeddings and Adaptive Feature Fusion

• arxiv url: http://arxiv.org/abs/2606.18469v1
• Date: Tue, 16 Jun 2026 20:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.891116
• Title: Structured Representation Learning with Locally Linear Embeddings and Adaptive Feature Fusion
• Title（参考訳）: 局所線形埋め込みと適応的特徴融合を用いた構造化表現学習
• Authors: Somjit Nath, Jackson J Cone, Derek Nowrouzezahrai, Samira Ebrahimi Kahou,
• Abstract要約: 本稿では,動的特徴と報酬特化特徴の絡み合いを促進する新しい強化学習フレームワークを提案する。 本手法は従来のRL手法と比較して学習効率と全体的な性能を向上させる。
• 参考スコア（独自算出の注目度）: 12.63651664394193
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuroscientific research has revealed that the brain encodes complex behaviors by leveraging structured, low-dimensional manifolds and dynamically fusing multiple sources of information through adaptive gating mechanisms. Inspired by these principles, we propose a novel reinforcement learning (RL) framework that encourages the disentanglement of dynamics-specific and reward-specific features, drawing direct parallels to how neural circuits separate and integrate information for efficient decision-making. Our approach leverages locally linear embeddings (LLEs) to capture the intrinsic, locally linear structure inherent in many environments, mirroring the local smoothness observed in neural population activity, while concurrently deriving reward-specific features through the standard RL objective. An attention mechanism, analogous to cortical gating, adaptively fuses these complementary representations on a per-state basis. Experimental results on benchmark tasks demonstrate that our method, grounded in neuroscientific principles, improves learning efficiency and overall performance compared to conventional RL approaches, highlighting the benefits of explicitly modeling local state structures and adaptive feature selection as observed in biological systems.
• Abstract（参考訳）: 神経科学的研究により、脳は構造化された低次元多様体を利用して複雑な振る舞いを符号化し、適応的なゲーティング機構を通じて複数の情報源を動的に融合させることが明らかになった。 これらの原理にインスパイアされた新しい強化学習(RL)フレームワークを提案する。このフレームワークは、動的特化および報酬特化の特徴の絡み合いを促進し、ニューラルサーキットの分離方法と効率的な意思決定のための情報の統合に直接の並列性を引き出す。 提案手法は, 局所線形埋め込み(LLE)を利用して, 多くの環境に固有の局所線形構造を捉え, 神経活動で観察される局所的滑らかさを反映し, 標準的なRL目的を通じて報酬特異的特徴を同時に導出する。 皮質ゲーティングに類似した注意機構は、これらの相補的表現を状態ごとに適応的に融合させる。 ベンチマーク実験の結果,本手法は神経科学的な原理を基礎として,従来のRL手法と比較して学習効率と全体的な性能を改善し,局所状態構造を明示的にモデル化し,生物学的システムで観察される適応的特徴選択の利点を強調した。

関連論文リスト

• Dynamics and Representation Structure of Local Approximations to Gradient-Based Learning in Linear Recurrent Neural Networks [56.42974363744522]
  ランダム・フィードバック・ローカル・オンライン(RFLO)の学習動態と時間による逆伝播(tBPTT)について検討する。 我々の研究は、局所性制約が学習力学をどう形成するかに関する分析的な洞察を提供し、学習の神経科学的モデルやRNNの代替最適化アプローチに影響を及ぼす。
  論文  参考訳（メタデータ） (2026-05-29T18:19:45Z)
• Causal Learning with Neural Assemblies [0.0]
  投影, 局所可塑性制御, スパース勝者選択は, 方向性学習に十分であることを示す。 DIRECTは、アダプティブゲインスケジュールの下で、ソースとターゲットアセンブリを協調して活性化し、指示された関係を内部化するメカニズムである。 結果は、生物学的に妥当な力学と形式的因果モデルの間の監査可能なブリッジとして神経集合を確立する。
  論文  参考訳（メタデータ） (2026-04-29T17:34:33Z)
• Neuronal Group Communication for Efficient Neural representation [85.36421257648294]
  本稿では, 効率的な, モジュラー, 解釈可能な表現を学習する, 大規模ニューラルシステムの構築方法に関する問題に対処する。 本稿では、ニューラルネットワークを相互作用する神経群の動的システムとして再認識する理論駆動型フレームワークである神経グループ通信(NGC)を提案する。 NGCは、重みを埋め込みのようなニューロン状態間の過渡的な相互作用として扱い、神経計算はニューロン群間の反復的なコミュニケーションを通じて展開する。
  論文  参考訳（メタデータ） (2025-10-19T14:23:35Z)
• Emergence of hybrid computational dynamics through reinforcement learning [0.0]
  強化学習と教師付き学習がニューラルネットワークを根本的に異なる計算ソリューションへと導くことを示す。 また,RL彫刻は暗黙の正則化の強力な形態を通じて,機能的にバランスのとれた神経集団を彫刻することを示した。 本結果は,創発的計算の第一決定因子として学習アルゴリズムを確立した。
  論文  参考訳（メタデータ） (2025-10-13T08:53:59Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Noise-based reward-modulated learning [1.0851051226732167]
  雑音に基づく報酬変調学習は、新しいシナプス的可塑性規則である。 NRLはバックプロパゲーションを用いて最適化されたベースラインに匹敵する性能を示す。 その結果,低消費電力適応システムにおける雑音駆動型脳誘発学習の可能性が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-03-31T11:35:23Z)
• Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
  最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。 トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
  論文  参考訳（メタデータ） (2024-03-12T07:32:47Z)
• Complementary Structure-Learning Neural Networks for Relational Reasoning [3.528645587678267]
  海馬におけるパターン分離は,新しい環境下での迅速な学習を可能にすることを示す。 ネオコルテックスのゆっくりとした学習は、よく学習された環境から体系的な構造を抽出するために小さな重量変化を蓄積する。
  論文  参考訳（メタデータ） (2021-05-19T06:25:21Z)
• On Connections between Regularizations for Improving DNN Robustness [67.28077776415724]
  本稿では,ディープニューラルネットワーク(DNN)の対角的ロバスト性を改善するために最近提案された正規化条件を解析する。 入力勾配正則化,ジャコビアン正則化,曲率正則化,クロスリプシッツ関数など,いくつかの有効な方法間の接続性について検討する。
  論文  参考訳（メタデータ） (2020-07-04T23:43:32Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。