論文の概要: Beyond Feedforward Networks: Reentry Neural Systems as the Fundamental Basis of Subjecthood and Intrinsic Safety of Next-Generation AGI
- arxiv url: http://arxiv.org/abs/2606.26406v1
- Date: Wed, 24 Jun 2026 21:54:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.089048
- Title: Beyond Feedforward Networks: Reentry Neural Systems as the Fundamental Basis of Subjecthood and Intrinsic Safety of Next-Generation AGI
- Title（参考訳）: フィードフォワードネットワークを超えて:次世代AGIの主観と本質的安全性の基礎としての再突入ニューラルネットワーク
- Authors: A. S. Ushakov, Yu. N. Berdinsk,
- Abstract要約: 閉じた再突入ループ(D->Iサイクル)に基づく安全汎用人工知能のための完全な青写真を提案する。
有向非巡回グラフであるフィードフォワードネットワークとは対照的に,提案アーキテクチャは自己持続的増幅を伴う構造サイクルを含む。
我々は,S>0が正の積分情報を意味するというマシン検証4つの証明を,TononiのNP-hard Phiに代わる,リーン時間[O(N3)]計算可能な代替手段として提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a complete architectural blueprint for safe artificial general intelligence based on a closed reentry loop (D <-> I cycle). In contrast to feedforward networks, which are directed acyclic graphs (C=0, S=0) incapable of self-reference, the proposed architecture contains a structural cycle (C >= 1) with self-sustaining amplification (rho > 1), mathematically guaranteeing the emergence of a self-model, instrumental self-preservation, and unprogrammed goal-directed behaviour. The agent's goals are encoded as a non-textual D-vector in the architecture itself, making them immune to reinterpretation and prompt injection. We present the S-measure -- a polynomial-time [O(N^3)] computable alternative to Tononi's NP-hard Phi -- with machine-verified Lean 4 proof that S>0 implies positive integrated information. The work provides full Python/NumPy implementations (Tarjan-based cycle complexity, Delta-S barrier), industrial horizontal scaling via Apache Kafka and Docker Compose, a taxonomy of six epochs of AI evolution, a zoo of future reentry architectures (RAS, diffusion attractors, fractal loops), gauge-invariant networks for safe swarms, fault-tolerance and recovery protocols, and eight falsifiable predictions. All formal proofs are machine-verified in Lean 4. This architecture is deployable today and represents a topologically protected, safe-by-design approach to AGI.
- Abstract（参考訳）: 閉鎖再突入ループ(D<->Iサイクル)に基づく安全汎用人工知能のための完全なアーキテクチャ青写真を提案する。
自己参照ができない有向非巡回グラフ (C=0, S=0) であるフィードフォワードネットワークとは対照的に、提案アーキテクチャは構造サイクル (C >=) を含む。
1) 自己持続的増幅(rho > 1)では, 自己モデル, 楽器的自己保存, プログラムされていない目標指向行動の出現を数学的に保証する。
エージェントのゴールは、アーキテクチャ自体において非テクスチュアルなD-ベクターとしてコード化され、再解釈やインジェクションの促進に免疫する。
本稿では, 多項式時間[O(N^3)]計算可能な, トノニのNP-hard Phiの代用として, S>0 が正の積分情報を示すことのマシン検証Lean 4 証明を示す。
この作業は、完全なPython/NumPy実装(Tarjanベースのサイクル複雑性、Delta-Sバリア)、Apache KafkaとDocker Composeによる産業用水平スケーリング、AI進化の6つのエポックの分類、将来の再突入アーキテクチャ(RAS、拡散アトラクター、フラクタルループ)の動物園、安全なSwarmのためのゲージ不変ネットワーク、フォールトトレランスとリカバリプロトコル、そして8つの偽造予測を提供する。
公式な証明はすべてLean 4.0でマシン検証されています。
このアーキテクチャは、現在デプロイ可能であり、AGIに対するトポロジ的に保護され、安全な設計アプローチを表している。
関連論文リスト
- Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。
本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。
本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。
防衛面では, MC-GPB (+) を提案する。
論文 参考訳（メタデータ） (2026-06-06T09:29:27Z) - Convergence Theory for Iterative LLM-Based Neural Architecture Search: A Parametric Cross-Entropy Framework with Closed-Form Proxy Reliability [48.83701310501069]
大規模言語モデル(LLM)は、反復型ニューラルアーキテクチャサーチ(NAS)におけるジェネレータとしてますます使われている。
我々は,LCM-NASを,実行可能プログラム上でのパラメトリッククロスエントロピー(CE)法としてモデル化する。
我々は,(1)エリートアーキテクチャの反復LEM微調整は,LLMファミリーに制限されたCE更新と同等であり,(2)期待されるアーキテクチャ品質はサイクル毎に単調に低下せず,(3)エリートセットの確率は幾何率で一定点に収束する,という6つの結果を示した。
論文 参考訳（メタデータ） (2026-05-28T15:45:19Z) - Provably Secure Agent Guardrail [89.79561918065122]
既存の防衛アーキテクチャは経験的セマンティックガードレールと確率論的大モデル調整器に依存している。
本稿では,論理的推論の基本的制約に基づくエージェントのための新しいセキュリティパラダイムを提案する。
論文 参考訳（メタデータ） (2026-05-28T02:12:41Z) - Native Explainability for Bayesian Confidence Propagation Neural Networks: A Framework for Trusted Brain-Like AI [0.3013679260442808]
BCPNNの決定を説明するための体系的な枠組みは存在しない。
BCPNNは本質的に透明なモデルであり、アーキテクチャプリミティブは確立された説明可能なAI(XAI)ファミリーに直接マップされる。
本稿では,BCPNNにおける最初のXAI分類法を提案する。重み,バイアス,ハイパーカラム後部,構造塑性利用スコア,アトラクタダイナミクス,入力再構成集団を属性,プロトタイプ,コンセプト,カウンターファクトリアル,メカニカルな説明モダリティにマッピングする。
論文 参考訳（メタデータ） (2026-05-12T06:21:19Z) - From Craft to Kernel: A Governance-First Execution Architecture and Semantic ISA for Agentic Computers [19.861459645485976]
Arbiter-Kはガバナンスファーストな実行アーキテクチャで、基盤となるモデルを確率的処理ユニットとして再認識する。
我々は、Arbiter-Kがマイクロアーキテクチャー特性としてセキュリティを強制し、76%から95%の安全でないインターセプションを達成し、92.79%のネイティブポリシーを絶対的に獲得したことを示す。
論文 参考訳（メタデータ） (2026-04-20T05:25:37Z) - Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。
KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
論文 参考訳（メタデータ） (2025-10-23T07:12:26Z) - Countermind: A Multi-Layered Security Architecture for Large Language Models [0.0]
本稿では,多層型セキュリティアーキテクチャであるCountermindを提案する。
アーキテクチャは、すべての入力を構造的に検証し変換するように設計された強化された周辺装置と、出力が発生する前にモデルのセマンティック処理経路を制約する内部ガバナンス機構を提案する。
論文 参考訳（メタデータ） (2025-10-13T18:41:18Z) - Bidirectional Representations Augmented Autoregressive Biological Sequence Generation:Application in De Novo Peptide Sequencing [51.12821379640881]
自己回帰(AR)モデルは、全体的な双方向表現を提供するが、生成的コヒーレンスとスケーラビリティに関する課題に直面している。
非自己回帰機構からリッチなコンテキスト情報を動的に統合することにより、AR生成を向上するハイブリッドフレームワークを提案する。
新しいクロスデコーダアテンションモジュールにより、ARデコーダは、これらの双方向機能を反復的にクエリし、統合することができる。
論文 参考訳（メタデータ） (2025-10-09T12:52:55Z) - On Immutable Memory Systems for Artificial Agents: A Blockchain-Indexed Automata-Theoretic Framework Using ECDH-Keyed Merkle Chains [0.0]
本稿では,暗号的に固定された決定論的計算フレームワークであるMerkle Automatonの概念を紹介する。
各エージェントのトランジション、メモリフラグメント、推論ステップは、オンチェーンでルートされたMerkle構造内で実行される。
このアーキテクチャはメモリをキャッシュではなく台帳として再設定する - 内容がプロトコルによって強制され、暗号によって拘束され、形式論理によって制約される。
論文 参考訳（メタデータ） (2025-06-16T08:43:56Z) - A Constructive Framework for Nondeterministic Automata via Time-Shared, Depth-Unrolled Feedforward Networks [0.0]
非決定論的有限オートマトン(NFA)の時間分割・深度制御型フィードフォワードネットワーク(TS-FFN)を用いたフォーマルで建設的なシミュレーションフレームワークを提案する。
我々の定式化は、二進ベクトルとしてのオートマトン状態、スパース行列変換としての遷移、および共有しきい値更新の合成としての$varepsilon$-closuresを含む非決定的分岐を含む非決定論的分岐を象徴的に符号化する。
論文 参考訳（メタデータ） (2025-05-30T01:18:35Z) - Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。
記号の配置に非依存であり、それによって表現される意味論にのみ依存する。
識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
論文 参考訳（メタデータ） (2024-05-12T22:18:25Z)
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。