論文の概要: Creating Intelligence: A Computational Foundation for AGI
- arxiv url: http://arxiv.org/abs/2606.31819v1
- Date: Tue, 30 Jun 2026 15:30:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.285586
- Title: Creating Intelligence: A Computational Foundation for AGI
- Title（参考訳）: インテリジェンスの構築:AGIのための計算基盤
- Abstract要約: この研究は、集合論と超次元計算に基礎を置く新しい心の計算理論を導入する。
情報を離散集合として表現し、生物集団コードを直接モデル化する。
行列演算よりも離散論理に依存しているため、このアルゴリズムは直接インメモリハードウェアに変換される。
- 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: This work introduces a new computational theory of mind grounded in set theory and hyperdimensional computing. Whereas traditional neural networks rely on continuous weights and matrix multiplication, this framework works with sparse binary data. It represents information as discrete sets, directly modeling biological neural population codes. I demonstrate that associative memory emerges naturally from network topologies featuring a combinatorially expanded hidden layer. Learning is driven by topological plasticity rather than scalar weight adjustments. This architecture unifies auto-associative and hetero-associative learning under a single core algorithm: information retrieval via subset pattern matching and exact nearest-neighbor search. Operating with constant-time complexity, these mechanisms bridge perceptual data (sparse distributed representations) and symbols (sparse holographic representations) without continuous bottlenecks. Mapping this framework to neuroanatomy, I propose that both the cerebellum and the neocortex implement variants of this algorithm, making subset pattern matching the fundamental engine of cognition. Because it relies on discrete logic rather than matrix arithmetic, this algorithm translates directly into in-memory hardware. This opens a new route toward synthetic intelligence with human-level energy efficiency.
- Abstract（参考訳）: この研究は、集合論と超次元計算に基礎を置く新しい心の計算理論を導入する。
従来のニューラルネットワークは、連続的な重み付けと行列乗算に依存しているが、このフレームワークはスパースバイナリデータで動作する。
これは情報を離散集合として表現し、生物の神経集団コードを直接モデル化する。
結合性メモリはネットワークトポロジから自然に出現し,複合的に拡張された隠蔽層を特徴とすることを示す。
学習はスカラー重量調整よりもトポロジカルな塑性によって駆動される。
このアーキテクチャは、サブセットパターンマッチングによる情報検索と、近隣の正確な探索という、単一のコアアルゴリズムの下で、自動連想学習とヘテロ連想学習を統一する。
一定時間複雑に動作するこれらのメカニズムは、連続的なボトルネックを伴わずに知覚データ(疎分散表現)とシンボル(疎ホログラム表現)をブリッジする。
この枠組みを神経解剖学にマッピングし、脳と新皮質の両方がこのアルゴリズムの変種を実装し、認識の基本的なエンジンにマッチするサブセットパターンを作成することを提案する。
行列演算よりも離散論理に依存しているため、このアルゴリズムは直接インメモリハードウェアに変換される。
これにより、人間レベルのエネルギー効率を持つ合成知能への新たな道が開かれる。
関連論文リスト
- AI Engram: In Search of Memory Traces in Artificial Intelligence [19.383960470953145]
このような「AI電図」を識別するための幾何学的枠組みを導入する。
我々は、グローバルな絡み合ったパラメータから個々のメモリトレースを分離するクローズドフォーム推定器を導出する。
結果は、生物学的記憶と人工表現学習の理論を橋渡しする。
論文 参考訳（メタデータ） (2026-06-12T22:36:52Z) - On Improving Neurosymbolic Learning by Exploiting the Representation Space [54.16389421332958]
本稿では,入力インスタンスの隠されたゴールドラベルが論理式を満たすニューロシンボリック・セッティングにおけるニューラル分類器の学習問題について検討する。
ひとつの課題は、ラベルの組み合わせの空間が指数関数的に成長し、学習を困難にすることです。
類似の潜在表現を持つインスタンスが同じラベルを共有できるという直感を利用して,この空間を刺激する手法を提案する。
論文 参考訳（メタデータ） (2026-02-08T13:56:47Z) - Mind The Gap: Deep Learning Doesn't Learn Deeply [16.284360949127723]
本稿では,ニューラルネットワークが2つの疑問に対処してアルゴリズム推論をどのように学習するかを理解することを目的とする。
ニューラルネットワークが効果的なアルゴリズムを学習できないのはなぜなのか?
論文 参考訳（メタデータ） (2025-05-24T10:11:36Z) - Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。
神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。
私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
論文 参考訳（メタデータ） (2025-05-16T13:49:43Z) - pyhgf: A neural network library for predictive coding [0.2150989251218736]
texttpyhgfは、予測コーディングのための動的ネットワークの作成、操作、サンプリングのためのPythonパッケージである。
ネットワークコンポーネントを透過的でモジュール的で、拡張可能な変数としてメッセージパッシングステップに囲み込むことで、他のフレームワークよりも改善します。
コア変数の透明性は、自己組織化の原則を活用する推論プロセスにも変換できる。
論文 参考訳（メタデータ） (2024-10-11T19:21:38Z) - Discrete Neural Algorithmic Reasoning [18.497863598167257]
本稿では,有限状態の組合せとして,ニューラル推論器に実行軌跡の維持を強制することを提案する。
アルゴリズムの状態遷移の監督で訓練されたモデルでは、元のアルゴリズムと完全に整合することができる。
論文 参考訳（メタデータ） (2024-02-18T16:03:04Z) - Deep Learning for real-time neural decoding of grasp [0.0]
本稿では,ニューラルネットワークの復号化のためのDeep Learningに基づく手法を提案する。
提案手法の主な目的は、これまでの神経科学知識に頼ることなく、最先端の復号精度を改善することである。
論文 参考訳（メタデータ） (2023-11-02T08:26:29Z) - LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and
Reasoning [73.98142349171552]
LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。
ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。
これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
論文 参考訳（メタデータ） (2023-09-24T05:43:19Z) - Brain-inspired Computational Intelligence via Predictive Coding [73.42407863671565]
予測符号化(PC)は、機械学習コミュニティにとって潜在的に価値のある、有望な特性を示している。
PCライクなアルゴリズムは、機械学習とAIの複数のサブフィールドに存在し始めている。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Incremental Training of a Recurrent Neural Network Exploiting a
Multi-Scale Dynamic Memory [79.42778415729475]
本稿では,マルチスケール学習を対象とする,漸進的に訓練された再帰的アーキテクチャを提案する。
隠れた状態を異なるモジュールに分割することで、シンプルなRNNのアーキテクチャを拡張する方法を示す。
新しいモジュールがモデルに反復的に追加され、徐々に長い依存関係を学習するトレーニングアルゴリズムについて議論する。
論文 参考訳（メタデータ） (2020-06-29T08:35:49Z) - Binary autoencoder with random binary weights [0.0]
層間情報を保存するために,隠蔽層の疎活性化が自然に起こることが示されている。
十分に大きな隠蔽層があれば、ニューロンのしきい値を変えるだけで任意の入力に対する再構成誤差をゼロにすることができる。
このモデルはフルーツフライの嗅覚システムに似ており、提示された理論的結果はより複雑なニューラルネットワークを理解する上で有用な洞察を与える。
論文 参考訳（メタデータ） (2020-04-30T12:13:19Z)
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。