論文の概要: How to Build Marcus's Algebraic Mind: From Minsky's Emotion-Machine Viewpoint
- arxiv url: http://arxiv.org/abs/2607.16623v1
- Date: Sat, 18 Jul 2026 03:48:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.199434
- Title: How to Build Marcus's Algebraic Mind: From Minsky's Emotion-Machine Viewpoint
- Title（参考訳）: マーカスの代数的心の作り方:ミンスキーの感情・機械的視点から
- Abstract要約: The Algebraic Mind』において、マーカスは3つの認知的要素を特定した。
この問題を、GF(2) XOR-and-shift上に構築されたアーキテクチャであるVaCoAlで解決する。
衝突回避スキームはフロンティアサイズ内で正確な回復を保証する。
- 参考スコア（独自算出の注目度）: 18.56157183294801
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In The Algebraic Mind, Marcus identified three cognitive components: operations over variables, recursively structured representations, and an individual/kind distinction. He left the neural substrate open. A companion paper solves this with VaCoAl, an architecture built on GF(2) XOR-and-shift. It offers exact reversible variable binding, compositional bundling, and spatial individual/kind separation. A collision-avoidance scheme ensures exact recovery within a Frontier Size. Its PyVaCoAl implementation demonstrates this algebra scales to millions of records, while the SRAM-CAM version favors hardware speed. Marcus's horizontal framework concerns how a mind represents the world. This paper reads VaCoAl through an orthogonal lens: Minsky's The Emotion Machine, providing the vertical dimension of a mind reasoning about itself. We claim VaCoAl's exact preservation and recovery of structural representations directly enables introspection -- Minsky's Reflective layer. Reflexively unbinding one's own deliberative trace is the operation. We grade deliberation into three tiers by trace faithfulness: probabilistic (LLMs), approximate-algebraic, and exact-algebraic (VaCoAl). Only exact reversibility ensures reflexive recovery is faithful rather than spurious, reaching the Reflective layer. This substrate carries two more Minsky ideas: panalogy (achieved via content-addressable retrieval where match accuracy indicates analogical fit, enabling lifelong learning) and credit assignment (framed as reflexive counterfactual simulation: surgically unbinding a past choice and rebinding a counterfactual to compare). The exact reversibility allowing the companion paper to climb Pearl's causal ladder helps this paper ascend Minsky's introspective stack, finding the intersection. We separate demonstrated trace execution from theoretical Reflection arguments, leaving meta-control loops strictly for future work.
- Abstract（参考訳）: アルゲブライク・マインド』では、マルクスは変数に対する操作、再帰的に構造化された表現、個人と人種の区別の3つの認知要素を特定した。
彼は神経基質を開けたままにした。
この問題を、GF(2) XOR-and-shift上に構築されたアーキテクチャであるVaCoAlで解決する。
正確な可逆的変数結合、構成結合、空間的個人/種別分離を提供する。
衝突回避スキームはフロンティアサイズ内で正確な回復を保証する。
PyVaCoAlの実装は、この代数を数百万レコードまでスケールし、SRAM-CAMバージョンはハードウェア速度を好んでいる。
Marcus氏の水平フレームワークは、心が世界をどのように表すかに関するものだ。
本稿では、ミンスキーの『感情マシン』という直交レンズを通してVaCoAlを読み、心の垂直な寸法を自覚させる。
我々は、VaCoAlの正確な保存と構造的表現の回復が直接イントロスペクション -- ミンスキーの反射層 -- を可能にしていると主張している。
反射的に自分自身の熟考トレースを解き放つことが操作である。
我々は,確率論的(LLMs),近似代数的(VaCoAl)の3段階に分類した。
正確な可逆性だけが、反射的回復は刺激的ではなく忠実であり、反射的層に到達することを保証します。
この基板には、さらに2つのミンスキーのアイデアがある:パナロジー(マッチング精度が類似の適合を示し、生涯学習を可能にする)とクレジット割り当て(反射的反事実シミュレーション(reflexive counterfactual Simulation: 過去の選択を外科的に解き、比較するために反事実をリバインドする)。
コンパニオン紙がパールの因果はしごを登ることができる正確な可逆性は、この論文がミンスキーの内観的スタックを上って交差点を見つけるのに役立つ。
我々は、理論的リフレクションの議論からトレース実行を分離し、メタ制御ループを厳格に将来の作業に残した。
関連論文リスト
- Self-Emergence Agent Architecture:Behavior-Inertia HMM, Reflexive Metacognition,and Social-Contrastive Self-Modeling [7.511170831919511]
大規模言語モデル(LLM)エージェントは、強力な言語生成能力と問題解決能力を示すが、3つの構造的制約に悩まされる。
既存の生成エージェントシミュレーションはメモリと固定プロンプトに依存しており、行動慣性や内因性自己反射は維持していない。
i) 長期的行動・認知慣性を編集可能な状態遷移行列として符号化する隠れマルコフモデル(HMM)、(ii) 出力がHMMパラメータ自体を更新する反射型言語メタ認知ループ、(iii) の3つのコンポーネントを統合したSEAA(Self-Emergence Agent Architecture)を提案する。
論文 参考訳（メタデータ） (2026-09-15T15:36:10Z) - How to Build Marcus's Algebraic Mind: From Thagard's Brain--Mind Viewpoint [18.56157183294801]
接続主義的認知の2つの批判は、1つの欠落した能力に収束する。
1つの基質が両方答える。
VaCoAlは1つの原始的 XOR-and-shift over GF(2) 上に構築された超次元アーキテクチャである。
論文 参考訳（メタデータ） (2026-07-18T01:12:54Z) - LeanMarathon: Toward Reliable AI Co-Mathematicians through Long-Horizon Lean Autoformalization [104.06650149974585]
信頼性の高い研究レベルのLean AutoformalizationのためのマルチエージェントハーネスであるLeanMarathonを紹介します。
4つのコントラクトスコープエージェントがこの青写真を構築し、監査し、証明し、修復する。
我々は4つのErds問題にまたがる最近の2つの研究論文でLeanMarathonを評価した。
論文 参考訳（メタデータ） (2026-06-03T20:09:39Z) - STEP: Learning STructured Embeddings for Progressive Time Series [1.034052616244602]
本稿では,プログレッシブ時系列の解釈可能な表現を学習するための新しい手法を提案する。
我々の手法は、低次元の潜在空間を学習するために、自己教師付きコントラスト的目的を用いている。
多様な領域における最先端技術に対するアプローチを評価する。
論文 参考訳（メタデータ） (2026-05-29T09:33:34Z) - How to Build Marcus's Algebraic Mind: Algebro-Deterministic Substrate over Galois Fields [18.56157183294801]
PyVaCoAl/VaCoAlは1つの代数的プリミティブを中心に構成された超次元計算アーキテクチャである。
本稿では,Marcusの3つの柱の対応とPyVaCoAl/VaCoAlの運用コミットメントについて述べる。
論文 参考訳（メタデータ） (2026-05-20T16:40:27Z) - Bridging Silicon and the Hippocampus: Algebro-Deterministic Memory "VaCoAl" as a Substrate for Vector-HaSH and TEM [18.56157183294801]
本稿では,ガロアフィールド線形フィードバックシフトレジスタ上に構築されたアルゲブロ決定論的超次元メモリアーキテクチャであるVaCoAlを紹介する。
その決定論的ガロア場拡散は、ベクター・ハッシュのランダム射影に対する基質レベルの代替を提供する。
実験可能なiEEG予測を導き、計算神経科学、電気生理学、超次元計算を統一する。
論文 参考訳（メタデータ） (2026-05-15T06:13:58Z) - MEMENTO: Teaching LLMs to Manage Their Own Context [50.3558738319336]
推論モデルは、自身の中間状態を圧縮または整理するメカニズムのない、長い、構造化されていないストリームを思い浮かべる。
MementO: ブロックに推論を分割し、各ブロックをメメントに圧縮し、メメントにのみ参加して推論を行う方法をモデルに教える手法を紹介する。
OpenMementos上の2段階のSFTレシピは、異なるモデルファミリやスケールで有効であることを示す。
論文 参考訳（メタデータ） (2026-04-10T19:30:29Z) - CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。
この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。
我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
論文 参考訳（メタデータ） (2025-10-07T02:16:30Z) - MARCOS: Deep Thinking by Markov Chain of Continuous Thoughts [82.46857666702924]
大規模言語モデル(LLM)における推論のための新しいパラダイムを提案する。
自己回帰的にトークンを生成する代わりに、連続的で高次元の「思考」のマルコフ連鎖として推論をモデル化する。
MARCOSはトークンベースのCoTに匹敵する性能を初めて達成し、GSM8Kでは4.7%、推論では15.7倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2025-09-29T16:44:22Z) - LightThinker: Thinking Step-by-Step Compression [74.34839026338342]
提案するLightThinkerは,大規模言語モデルを用いて推論中の中間的思考を動的に圧縮する手法である。
人間の認知プロセスにインスパイアされたLightThinkerは、思考ステップをコンパクトな表現に圧縮し、元の推論チェーンを捨てる。
実験によると、LightThinkerは競合精度を維持しながら、ピークメモリ使用量と推論時間を短縮する。
論文 参考訳（メタデータ） (2025-02-21T16:57:22Z) - Unveiling the Magic of Code Reasoning through Hypothesis Decomposition and Amendment [54.62926010621013]
我々は,大規模言語モデルの推論能力に対する新たな視点を提供するために,新しいタスクであるコード推論を導入する。
論理的推論の確立した形式に基づいて3つのメタベンチマークを要約し、8つの特定のベンチマークタスクにインスタンス化する。
本稿では,人間の複雑な問題解決手法に触発された新たな経路探索パイプラインを提案する。
論文 参考訳（メタデータ） (2025-02-17T10:39:58Z)
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。