論文の概要: Discovery by Dreaming: Cross-Domain Recombination in Artificial Memory
- arxiv url: http://arxiv.org/abs/2607.16256v2
- Date: Tue, 21 Jul 2026 15:34:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.06055
- Title: Discovery by Dreaming: Cross-Domain Recombination in Artificial Memory
- Title（参考訳）: ドリーミングによる発見:人工記憶におけるクロスドメイン組換え
- Authors: Oliver Zahn, James Evans, David Eagleman,
- Abstract要約: 神経科学は、この組換えはノイズではなく、洞察と創造的な発見を促進する機能であることを示唆している。
本手法は, 組換え再生機構を分離し, アーキテクチャ的に無関係な2つのシステムに実装することによって直接テストする。
- 参考スコア（独自算出の注目度）: 3.033196534183858
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dreams splice together people, places, and times that never met. Neuroscience suggests this recombination is not noise, but a function driving insight and creative discovery. This reframes memory consolidation: rather than merely defending against forgetting, its measurable value lies in recombining knowledge across experiences that have not yet co-occurred. We test this directly by isolating the recombinatory-replay mechanism and implementing it in two architecturally unrelated systems: a LoRA fine-tuning pipeline (DREAMS) and a symbolic engine replaying structured knowledge objects (SAPIENCE). Both systems converge on the same finding: cross-domain consolidation creates value, while within-domain rehearsal does not. The symbolic arm surfaces novel cross-domain connections at 85.7%, a +21 percentage point (pp) gain over baseline. The neural arm improves overall by +5.64 pp, but on subtasks explicitly requiring cross-domain transfer (like unseen math reasoning on GSM8K), gains reach +14.5 pp. This effect is a genuine property of the weights--not a prompt artifact--as prepending the same material in-context to a 671B-parameter model actually reverses the gain. We validate this prediction against documented discoveries across 50,000 real papers and state a falsifiable hippocampal-recording prediction to distinguish recombination from rehearsal. Ultimately, this principle is substrate-general, tracking real discovery at scale. Reading the literature teaches a model to recall what it has seen, but producing discovery requires a separate offline phase that recombines knowledge across domains--the computational analog of dreaming. Consolidation is not for remembering, but for discovering.
- Abstract（参考訳）: 夢は決して会わなかった人々、場所、時代をまき散らす。
神経科学は、この組換えはノイズではなく、洞察と創造的な発見を促進する機能であることを示唆している。
単に忘れることを防ぐのではなく、その測定可能な価値は、まだ共有されていない経験をまたいで知識を再結合することにある。
本稿では,リコンビネート・リプレイ機構を分離し,ロラ微調整パイプライン(DREAMS)と構造化知識オブジェクト(SAPIENCE)のシンボリックエンジン(SAPIENCE)という,アーキテクチャ的に無関係な2つのシステムに実装することによって直接テストする。
ドメイン間の統合は価値を生み出すが、ドメイン内のリハーサルはそうではない。
シンボリックアームは85.7%の新しいクロスドメイン接続を表面化し、+21ポイント(pp)がベースラインを超える。
神経腕は+5.64ppで全体的に改善するが、サブタスクでは(GSM8Kの未知の数学推論のような)クロスドメイン転送が明示的に要求されるため、+14.5ppに達する。
この効果は重量の真の性質であり、プロンプトアーティファクトではなく、同じ物質を671Bパラメーターモデルにテキストで予測することで利得を逆転させる。
我々はこの予測を,5万件の論文にまたがる文書的発見に対して検証し,リハーサルとリコンビネートを区別するために,Falsible hippocampal-recording predictionを記載した。
結局のところ、この原理は基板一般であり、大規模での実際の発見を追跡する。
文献を読むことは、彼らが見たものを思い出すモデルを教えるが、発見を起こすには、ドメイン間で知識を再結合する別のオフラインフェーズが必要です。
統合は記憶のためのものではなく、発見のためのものです。
関連論文リスト
- Learning What to Remember: A Cognitively Grounded Multi-Factor Value Model for Agentic Memory [1.2127875744950842]
LLMエージェントは、どのコンテキストウィンドウよりもはるかに大きなインタラクション履歴を蓄積する。
生産システムは意味的類似性や傾向に答える。
本研究では、7つの解釈可能な因子に対する多要素記憶関数 V(m)=sum_i w_i f_i(m) を提案する。
論文 参考訳（メタデータ） (2026-06-11T06:17:31Z) - When More Documents Hurt RAG: Mitigating Vector Search Dilution with Domain-Scoped, Model-Agnostic Retrieval [2.8753422388037486]
Retrieval-augmentedジェネレーションは、大規模なドキュメントコレクションにスケールすると劣化する。
Top-k検索は意味的に似ているが、文脈的に正しくないチャンクを返す。
本稿では,MASDR-RAG(Multi-Agent Scoped Domain Retrieval for RAG)を提案する。
論文 参考訳（メタデータ） (2026-06-09T18:26:24Z) - Echo-Memory: A Controlled Study of Memory in Action World Models [58.77172260403133]
本研究では,行動条件付き世界モデルにおける記憶機構の制御に関する研究を行う。
既存のメモリ設計と比較するのは難しいのは、ゲインにはバックボーン、トレーニング、検索、評価の違いが絡み合っているからである。
我々はEcho-Memoryを使ってアクション・ツー・ビデオのインタフェースを修正し、生成元によって履歴が保存され読み込まれるかだけを変える。
論文 参考訳（メタデータ） (2026-06-08T17:54:10Z) - Context-Gated Associative Retrieval: From Theory to Transformers [13.130942295191224]
本稿では,2段階の連想型メモリアーキテクチャを提案する。
本システムでは, 直接的コンテキストバイアスと2次検索ゲートフィードバックループの両方により, 結果の検索状態が駆動されることを実証する。
論文 参考訳（メタデータ） (2026-05-08T18:44:30Z) - Social Hippocampus Memory Learning [54.381608978482184]
SoHipはメモリ中心のソーシャル機械学習フレームワークだ。
モデル共有ではなく、メモリ共有を通じて異種エージェント間の協調を可能にする。
7つのベースラインを持つ2つのベンチマークデータセットの実験は、SoHipが既存のメソッドを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-03-26T16:31:00Z) - Transformers Remember First, Forget Last: Dual-Process Interference in LLMs [0.0]
私たちはこの質問に答えるために、認知心理学から古典的干渉パラダイムを適用します。
すべてのモデルが同じパターンを示し、前向きな干渉が後向きな干渉を支配している。
3つの所見は、RIとPIが別々の記憶機構を反映していることを示している。
論文 参考訳（メタデータ） (2026-02-27T19:38:39Z) - Digital Metabolism: Decoupling Logic from Facts via Regenerative Unlearning -- Towards a Pure Neural Logic Core [4.073707521515039]
デジタル代謝(Digital metabolism)とは、純粋な論理コアを蒸留するためには、標的となる忘れることが必要であるという仮説である。
本稿では,Regenerative Logic-Core Protocol (RLCP)を紹介した。
GSM8Kの実証分析により、「代謝」モデルが自然にシンボリック・チェーン・オブ・シンクの足場を採用することが明らかとなった。
論文 参考訳（メタデータ） (2026-01-15T19:21:16Z) - SiReRAG: Indexing Similar and Related Information for Multihop Reasoning [96.60045548116584]
SiReRAGは、類似情報と関連する情報の両方を明示的に考慮する新しいRAGインデックス方式である。
SiReRAGは、3つのマルチホップデータセットの最先端インデックス手法を一貫して上回る。
論文 参考訳（メタデータ） (2024-12-09T04:56:43Z) - CoSeg: Cognitively Inspired Unsupervised Generic Event Segmentation [118.18977078626776]
イベントセグメンテーション/バウンダリ検出のためのエンドツーエンドの自己教師型学習フレームワークを提案する。
本フレームワークは, イベント境界を再構成誤差で検出するトランスフォーマーに基づく特徴再構成手法を利用する。
私たちの研究の目標は、特定のイベントをローカライズするのではなく、ジェネリックイベントをセグメント化することです。
論文 参考訳（メタデータ） (2021-09-30T14:40:32Z) - Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。
本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。
このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
論文 参考訳（メタデータ） (2020-10-10T14:04:44Z)
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。