論文の概要: Path-dependent program induction under resource constraints explains human sequence learning

• arxiv url: http://arxiv.org/abs/2606.20623v1
• Date: Tue, 26 May 2026 14:03:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 23:07:58.758886
• Title: Path-dependent program induction under resource constraints explains human sequence learning
• Title（参考訳）: 資源制約下での経路依存型プログラム誘導は人間のシーケンス学習を説明する
• Abstract要約: 将来の構造がエンコードされやすく、発見しやすいような、事前の知識がどのような形になるかを示す。 これを階層型アダプタ文法(HAG)で定式化し、異なるローカル(マルチタスク)ライブラリとグローバル(マルチタスク)ライブラリで定式化する。 シミュレーションでは、HAGは固定文法や浅いチャンク法よりも、より優れたレート歪みトレードオフとより強力な一般化を実現する。
• 参考スコア（独自算出の注目度）: 6.533091401094101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How do people build abstract, reusable knowledge from sequential experience under bounded cognitive resources? To answer this question, we integrate rate-distortion theory with recent advances in program induction to describe how prior knowledge shapes which future structures are cheap to encode and easy to discover. We formalize this in a hierarchical Adaptor Grammar (HAG) with distinct local (within-task) and global (across-task) libraries, governed jointly by constraints on memory and computation. In simulations, HAG achieves better rate-distortion trade-offs and stronger generalization than fixed grammars or shallow chunking methods. In an online melodic sequence-learning experiment, participants' recall errors reflected systematic simplifications and reaction times increased at inferred program boundaries. Trial-by-trial fits further showed that hierarchical libraries best explained individual differences in both recall and out-of-sample continuation choices, outperforming all alternative models. These findings cast structured learning as bounded program induction in which the order of experience shapes future abstractions a learner builds.
• Abstract（参考訳）: 境界認知リソース下でのシーケンシャルな経験から、抽象的で再利用可能な知識をどのように構築するか? この疑問に対処するために、我々は、プログラム誘導の最近の進歩とレート歪曲理論を統合し、将来の構造がエンコードされ、発見し易い、より安価な事前知識の形状を記述した。 我々はこれを階層型アダプタ文法(HAG)で定式化し、メモリと計算の制約により、異なるローカル(マルチタスク)とグローバル(マルチタスク)のライブラリを共同で管理する。 シミュレーションでは、HAGは固定文法や浅いチャンク法よりも、より優れたレート歪みトレードオフとより強力な一般化を実現する。 オンライン・メロディック・シークエンス・ラーニング実験では、参加者のリコールエラーは系統的な単純化を反映し、プログラム境界における反応時間が増加した。 トライアル・バイ・トライアル・フィットは、階層型ライブラリーがリコールとアウト・オブ・サンプルの継続選択の両方において個々の違いを最もよく説明し、全ての代替モデルより優れていることを示した。 これらの知見は,経験の順序が学習者が構築する未来の抽象化を形作る有界プログラム誘導として構造化学習を特徴付けている。

関連論文リスト

• Renormalising Generative Models for Active Inference: Foundations, Derivations, and Verification [0.6927055673104934]
  RGM(Renormalising Generative Model)は、空間的および時間的スケールにわたって離散的な生成モデルを構成する。 本稿では、RGMの自己完結型、導出型アカウントと、オープンで検証された実装を提供する。
  論文  参考訳（メタデータ） (2026-08-10T12:14:05Z)
• Adaptive state-action abstractions via rate-distortion [52.25810164390199]
  強化学習は、複雑なタスクの単純なバージョンを構築するための複数のテクニックを提供する。 本稿では,抽象化自体によって引き起こされる誤りに匹敵する学習エラーが生じたら,抽象化を洗練させるという原理を提案する。
  論文  参考訳（メタデータ） (2026-06-04T13:10:18Z)
• Prospective Compression in Human Abstraction Learning [7.788051955651714]
  本研究では,非定常領域におけるヒューマンライブラリ学習が将来的な抽象化を選択するという仮説を提案し,検証する。 本研究では,タスク生成過程における非定常構造に対する人間の抽象的行動が,潜在的・非定常的構造に対する感受性を反映していることを示す。
  論文  参考訳（メタデータ） (2026-05-11T04:54:23Z)
• Towards LLM-Empowered Knowledge Tracing via LLM-Student Hierarchical Behavior Alignment in Hyperbolic Space [24.868649493405528]
  知識追跡(KT)は、教育における継続的な学習状態のモニタリングを通じて、学生の概念を診断する。 既存の方法は、IDベースのシーケンスや浅いテキスト機能に依存している。 本稿では,大規模言語モデルハイパーボリックな知識追跡フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T11:17:31Z)
• Provable Benefit of Curriculum in Transformer Tree-Reasoning Post-Training [76.12556589212666]
  学習後のカリキュラムは指数関数的複雑性のボトルネックを回避していることを示す。 結果のみの報酬信号の下では、強化学習の微調整は、サンプルの複雑さを高い精度で達成する。 カリキュラムを意識したクエリにより、報奨託書の呼び出しとサンプリングコストの両方を指数関数的に削減するテストタイムスケーリングの保証を確立する。
  論文  参考訳（メタデータ） (2025-11-10T18:29:54Z)
• Rethinking Hebbian Principle: Low-Dimensional Structural Projection for Unsupervised Learning [17.299267108673277]
  ヘビアンラーニング(Hebbian learning)は、ニューロンが繰り返し刺激によって接続をどのように適応するかを直感的に記述する生物学的原理である。 本稿では,新しい教師なし学習手法である構造投影ヘビアン表現(SPHeRe)を紹介する。 実験結果から,SPHeReは教師なしシナプス可塑性アプローチにおいてSOTA性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-10-16T15:47:29Z)
• Diffusing States and Matching Scores: A New Framework for Imitation Learning [16.941612670582522]
  敵対的模倣学習は伝統的に、学習者と敵対的に選択されたコスト関数の間の2つのプレイヤーゼロサムゲームとしてフレーム化されている。 拡散モデルは、回帰を通じてスコア関数を訓練することだけを必要とするGANの非敵対的な代替品として登場した。 提案手法は, GANスタイルの模倣学習ベースラインと差別化なし模倣学習ベースラインの両方を, 連続制御問題に比較して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-17T17:59:25Z)
• A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
  Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
  論文  参考訳（メタデータ） (2024-09-18T14:57:13Z)
• Schema-aware Reference as Prompt Improves Data-Efficient Knowledge Graph Construction [57.854498238624366]
  本稿では,データ効率のよい知識グラフ構築のためのRAP(Schema-Aware Reference As Prompt)の検索手法を提案する。 RAPは、人間の注釈付きおよび弱教師付きデータから受け継いだスキーマと知識を、各サンプルのプロンプトとして動的に活用することができる。
  論文  参考訳（メタデータ） (2022-10-19T16:40:28Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
  我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。 実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
  論文  参考訳（メタデータ） (2020-06-11T16:36:31Z)

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。