論文の概要: Intrinsic-Noise Consolidation: A Doob-Barrier-Conditioned Diffusion Turns Analog Device Noise into a Continual-Learning Resource

• arxiv url: http://arxiv.org/abs/2607.06924v1
• Date: Wed, 08 Jul 2026 02:38:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.264753
• Title: Intrinsic-Noise Consolidation: A Doob-Barrier-Conditioned Diffusion Turns Analog Device Noise into a Continual-Learning Resource
• Title（参考訳）: 内在・内在・内在・内在・内在・内在・内在・内在・対流拡散はアナログデバイスノイズを連続学習資源に変える
• Abstract要約: アナログニューロモルフィックハードウェアでは、固有のデバイスノイズは通常精度税である。 シングルヘッドのスプリット-MNIST (8シード)ルールでは、最適な内部で保持率10.9ポイントを上昇させる。 実際のBrainScaleS-2(オンチップ平均化による追加的、トライアル・ツー・トライアル・インディペンデント、チューナブル)の固有ノイズを測定し、トレーニングループのノイズでチップ上でルールを実行する。
• 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: On analog neuromorphic hardware, intrinsic device noise is normally an accuracy tax. We ask whether it can instead consolidate memories. We cast per-synapse consolidation as a Doob h-transform: condition each weight's stochastic dynamics on never crossing a memory-critical barrier around its consolidated value. The conditioned diffusion gains an extra drift sigma^2 d/dw log h, a restoring force amplified by the noise variance itself that diverges at the barrier. We are explicit about novelty: the anchored drift -s(w-mu) our rule also contains is not ours (the limit of OUA, MESU, and EWC), and we surrender it. We claim only the conjunction of (a) the Doob barrier-conditioning as a synaptic rule, to our knowledge unclaimed (every h-transform use we found is generative modeling, none synaptic), and (b) a falsifiable prediction: increasing intrinsic noise non-monotonically improves sequential-task retention, an inverted-U that anchored-drift methods cannot produce. We pre-registered this as a go/no-go gate; it passes. On single-head Split-MNIST (8 seeds) the rule lifts retention 10.9 points at an interior optimum (paired Wilcoxon p=0.004), while matched OU/EWC/MESU anchors are monotone. Ablating the conditioning removes the effect; the optimum tracks the barrier; the inverted-U survives a second task stream and the realization where noise enters the forward pass. We then measure the intrinsic noise on real BrainScaleS-2 silicon (additive, trial-to-trial independent, tunable via on-chip averaging) and run the rule on the chip with its noise in the training loop: barrier-conditioning retains a prior task 15.6 points better than the matched control at matched average accuracy, a stability-plasticity shift, not a net-accuracy win (single seed; retention measured, energy modelled). Intrinsic analog noise thus becomes a consolidation dividend a digital accelerator must spend energy to generate.
• Abstract（参考訳）: アナログニューロモルフィックハードウェアでは、固有のデバイスノイズは通常精度税である。 代わりに記憶を統合できるかどうかを問う。 我々は, シナプス毎の凝縮をDoob h-transform: condition each weight's stochastic dynamics on never cross a memory- critical barrier around its integrated value。 条件付き拡散は余分なドリフトシグマ^2 d/dw loghを得る。 我々はノベルティについて明示的であり、我々のルールも含んでいるアンカードリフト-s(w-mu)は我々のものではない(OUA、MESU、EWCの制限)。 私たちは結合のみを主張する (a) シナプス規則としてのDoobバリア条件付け(h-transform use is generative modeling, no synaptic)について、そして、 (b)本質的な雑音の増加はシーケンシャル・タスクの保持を非単調に改善し、アンカード・ドリフト法では生成できない逆Uが生じる。 私たちはこれを御・御門として事前登録しました。 シングルヘッドのSplit-MNIST (8シード)では、規則は内部最適点(10.9ポイント)を持ち上げ(ウィルコクソンp=0.004)、マッチしたOU/EWC/MESUアンカーはモノトンである。 条件付けを非難することは効果を排除し、最適は障壁を追跡し、逆Uは第2のタスクストリームを生き残り、ノイズが前方のパスに入ることを実現する。 次に、実際のBrainScaleS-2シリコン(オンチップ平均化による追加、トライアル・ツー・トライアル・インディペンデント、チューナブル)の本質的なノイズを測定し、トレーニングループ内のノイズでチップのルールを実行する:バリアコンディショニングは、一致した平均精度でマッチした制御よりも15.6ポイント、安定性の塑性シフトであり、ネット精度の勝利ではない(シングルシード、保持、エネルギーモデル)。 したがって、本質的なアナログノイズは、デジタル加速器が生成するためにエネルギーを費やさなければならない統合分割となる。

関連論文リスト

• Fractional-Order Adaptive Motion Magnification: Phase-Reliability Weighting for Noise-Constrained Video Amplification [51.56484100374058]
  本稿では、まずオフラインで、次に因果ストリームとして開発されたパイプラインであるフラクショナルオーダー適応運動拡大法を提案する。 一定の時間的利得を分数次 Grnwald--Letnikov 微分に置き換え、高周波強調を連続的に制御する。 リアルビデオでは、各ケースにおける空間選択性の向上と背景雑音の低減が示されている。
  論文  参考訳（メタデータ） (2026-09-03T21:43:22Z)
• Drift-Aware RL-based Wavelet Denoising for Network-Traffic Anomaly Detection [1.5469452301122173]
  ネットワーク監視のための交通利用測定は、付加雑音と統計的ドリフトによって損なわれる。 2つのタスクに最適化された前処理層として適応ウェーブレットをデノナイズするドリフト対応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T10:52:05Z)
• Same Loss, Same Noise, Opposite Schedules: Noise Structure and Optimizer Normalization Jointly Determine Whether Learning-Rate Cooldown Helps [4.422349568747053]
  本稿では,大規模モデル事前学習の既定であるウォームアップ安定度学習スケジュール(WSD)の段階について検討する。 提案手法は, 勾配雑音の構造と勾配雑音の構造が正規化するか否かという2つの特性を同時に有する。
  論文  参考訳（メタデータ） (2026-07-14T05:21:38Z)
• A Coherence Law for Trainability in Noisy Equivariant Quantum Neural Networks [0.8694591156258423]
  ノイズがあればネットワークをトレーニングできない量子ニューラルネットワーク構造について検討する。 2つの異なる効果が訓練可能な勾配を支配していることが分かる。 コヒーレンスは次に、非対角セクターモードの収縮によってどれだけの速度で崩壊するかを決定する。
  論文  参考訳（メタデータ） (2026-06-28T16:43:36Z)
• Variational Kernel Design for Internal Noise: Gaussian Chaos Noise, Representation Compatibility, and Reliable Deep Learning [0.0]
  ディープネットワークの内部ノイズは通常、ドロップアウト、ハードマスキング、加法摂動などの摂動から受け継がれる。 内部ノイズはどのような相関幾何学を持つべきで、実装された摂動はそれらが作用する表現と互換性があるのか? 本稿では,法則ファミリ,相関カーネル,インジェクション演算子によってノイズ機構が特定され,デシダラタの学習から導出されるフレームワークである変分カーネル設計(VKD)を通じて,これらの疑問に答える。
  論文  参考訳（メタデータ） (2026-03-18T05:12:56Z)
• OmniForcing: Unleashing Real-time Joint Audio-Visual Generation [51.031726911410594]
  最近のジョイントオーディオ・視覚拡散モデルは、優れた生成品質を実現するが、高いレイテンシーに悩まされる。 OmniForcingは、オフラインの双方向拡散モデルを高忠実度ストリーミングオートレジェネレータに蒸留する最初のフレームワークである。
  論文  参考訳（メタデータ） (2026-03-12T08:17:36Z)
• The Malignant Tail: Spectral Segregation of Label Noise in Over-Parameterized Networks [0.0]
  ネットワークが機能的に信号とノイズを分離する障害モードであるMorignant Tailを実験的に分離する。 トレーニングされていないネットワークは、ノイズを積極的に分離し、ノイズに支配されたサブスペースを外科的にプルークするポストホックスペクトルトラニケーションを実現する。 以上の結果から,ラベルノイズ下では,余剰スペクトル容量は無害な冗長性ではなく,構造的負債が潜んでいることが示唆された。
  論文  参考訳（メタデータ） (2026-03-02T16:39:42Z)
• Teacher-Guided Causal Interventions for Image Denoising: Orthogonal Content-Noise Disentanglement in Vision Transformers [8.989774165042542]
  従来の画像復調モデルは, 環境要因とノイズパターンの急激な相関関係を不注意に学習する。 本稿ではTCD-Net(Teacher-Guided Causal Disentanglement Network)を提案する。 大規模な実験により、TCD-Netは、複数のベンチマークにおいて、忠実さと効率の両方で、メインストリームのメソッドよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-01T15:04:37Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Continuously Augmented Discrete Diffusion model for Categorical Generative Modeling [87.34677262370924]
  標準離散拡散モデルは、吸収[MASK]トークンにそれらをマッピングすることで、すべての観測されていない状態を同一に扱う。 これは'インフォメーション・ヴォイド'を生成します。そこでは、偽のトークンから推測できるセマンティック情報は、デノイングステップの間に失われます。 連続的拡張離散拡散(Continuously Augmented Discrete Diffusion)は、連続的な潜在空間における対拡散で離散状態空間を拡大するフレームワークである。
  論文  参考訳（メタデータ） (2025-10-01T18:00:56Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Negative Pre-aware for Noisy Cross-modal Matching [46.5591267410225]
  雑音対応は認識と修正が難しいため,クロスモーダルノイズロバスト学習は難しい課題である。 本稿では,雑音の多い下流タスクに対する大規模視覚言語モデルファインタニングのための,否定的事前認識型クロスモーダルマッチングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:52:36Z)
• Autonomous coherence protection of a two-level system in a fluctuating environment [68.8204255655161]
  我々は、もともと、相互作用しない2レベルシステム(量子ビット)のアンサンブルから静的ドップラー拡大の効果を取り除くことを意図したスキームを再検討する。 このスキームははるかに強力であり、時間と空間に依存するノイズから単一(あるいはアンサンブル)量子ビットのエネルギーレベルを保護できることを示した。
  論文  参考訳（メタデータ） (2023-02-08T01:44:30Z)

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。