論文の概要: Intelligence from Learnable Novelty

• arxiv url: http://arxiv.org/abs/2607.18433v1
• Date: Mon, 20 Jul 2026 18:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.215589
• Title: Intelligence from Learnable Novelty
• Title（参考訳）: 学習可能なノベルティからのインテリジェンス
• Authors: Yanbo Zhang, Michael Levin,
• Abstract要約: 知性は異なる分野の異なる名前の下に現れる。 学習可能な情報のうちの学習可能な部分は、学習可能なノベルティと呼ばれ、知性の異なる予測をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 4.741100658955037
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Intelligence appears under different names in different fields: as data compression in statistics and machine learning, as universal computation in dynamical systems, and as adaptive behavior in agents. Each field carries its own objective, and the two most influential drives often fail in mirror image: novelty search, which seeks surprise, is transfixed by a noisy television screen, while the free-energy principle, which avoids surprise, is most content in a dark room. Both failures have a single cause: each objective treats as one quantity the surprise a learner can convert into knowledge and the surprise it never can. Here we show that the learnable part of that information, which we call learnable novelty, yields the seemingly disparate projections of intelligence, and we give a closed-form estimator of it built on a cheap and differentiable reservoir computer. Used as a measure, with no supervision of any kind, the estimator recovers decades of complexity classification, ranking the Turing-complete rule~110 highest among the elementary cellular automata. Used as an objective, its gradient carries a neural cellular automaton from simple dynamics into a regime of solitons, the traveling, colliding structures by which rule~110 computes, as well as organizes the representation of an image encoder around the ten digit classes of MNIST, fully unsupervised: no label ever enters training. Handed to a reinforcement-learning agent as an intrinsic reward, it supplies the exploration that task rewards lack, improving on the task baseline in nine of ten environments and collapsing in none. Complexity generation, abstraction, and exploration, ordinarily pursued with unrelated objectives in separate fields, thus emerge from ascent on one differentiable quantity, and the projections of intelligence gain a common quantitative footing.
• Abstract（参考訳）: インテリジェンスは、統計学と機械学習のデータ圧縮、動的システムの普遍計算、エージェントの適応行動など、さまざまな分野の異なる名前の下に現れる。 各フィールドは独自の目的を持ち、最も影響力のある2つのドライブはミラーイメージでしばしば失敗する:驚きを求めるノベルティサーチはノイズの多いテレビ画面で固定され、驚きを避ける自由エネルギー原理は暗い部屋のほとんどのコンテンツである。 それぞれの目的は、学習者が知識に変換できるサプライズと、それが不可能なサプライズを1つの量として扱う。 ここでは、学習可能な情報のうち、学習可能なノベルティと呼ばれる部分が、一見異なるインテリジェンス予測をもたらすことを示し、安価で微分可能な貯水池コンピュータ上に構築された、クローズド形式の推定器を提供する。 測定基準として用いられるが、いかなる監督も受けずに、推定器は何十年にもわたって複雑な分類を回復し、チューリング完全規則を初等細胞オートマトンの中で110位までランク付けする。 目的として使用されるこの勾配は、単純な力学からソリトン状態への神経セルオートマトンを持ち、110のルールが計算されるような移動的・衝突的な構造を持ち、MNISTの10桁のクラスのイメージエンコーダの表現を整理する。 本質的な報酬として強化学習エージェントに手渡され、タスク報酬が不足していること、タスクベースラインを10の環境中9で改善し、決して崩壊しないという調査を提供する。 複雑度の生成、抽象化、探索は、通常、別の分野における無関係な目的によって追求されるため、1つの異なる量への上昇から生じ、知性の予測は共通の定量的基盤を得る。

関連論文リスト

• Dynamic Mixture of Latent Memories for Self-Evolving Agents [57.20419419302731]
  MoLEMは、動的混合(MoE)に基づく潜在メモリフレームワークの生成混合物である。 我々は、数学、科学、コードドメインにまたがる連続的な学習シーケンスに基づいて、このフレームワークを訓練する。 連続学習を完了した後、Vanilla事前学習ベースラインよりも平均精度を10.40%向上させる。
  論文  参考訳（メタデータ） (2026-05-21T03:35:10Z)
• URLOST: Unsupervised Representation Learning without Stationarity or Topology [26.010647961403148]
  定常性やトポロジの事前知識のない高次元データから学習する新しいフレームワークを提案する。 このモデルでは,学習可能な自己組織化層,スペクトルクラスタリング,マスク付きオートエンコーダを組み合わせる。 本研究は,生体視覚データ,一次視覚野からの神経記録,遺伝子発現を含む3種類のデータモダリティに対して有効性を評価する。
  論文  参考訳（メタデータ） (2023-10-06T18:00:02Z)
• Are Deep Neural Networks SMARTer than Second Graders? [85.60342335636341]
  6～8歳児を対象としたビジュオ言語パズルの解法において,ニューラルネットワークの抽象化,推論,一般化能力の評価を行った。 我々のデータセットは101のユニークなパズルで構成されており、各パズルは絵の質問で構成されており、それらの解には算術、代数学、空間推論を含むいくつかの基本的なスキルが混在している必要がある。 実験により、強力なディープモデルは教師付き設定でパズルに合理的な性能を与えるが、一般化のために解析するとランダムな精度よりは良くないことが明らかになった。
  論文  参考訳（メタデータ） (2022-12-20T04:33:32Z)
• Stochastic Coherence Over Attention Trajectory For Continuous Learning In Video Streams [64.82800502603138]
  本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。 提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。 実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
  論文  参考訳（メタデータ） (2022-04-26T09:52:31Z)
• The Sensory Neuron as a Transformer: Permutation-Invariant Neural Networks for Reinforcement Learning [11.247894240593691]
  私たちは、各感覚入力を環境から異なるが同一のニューラルネットワークに供給するシステムを構築します。 これらのセンサネットワークは、ローカルに受信した情報を統合するための訓練が可能であり、アテンションメカニズムによるコミュニケーションにより、グローバルな一貫性を持つポリシーをまとめて作成できることが示される。
  論文  参考訳（メタデータ） (2021-09-07T05:12:50Z)
• A Number Sense as an Emergent Property of the Manipulating Brain [16.186932790845937]
  本研究では,人間が数量や量を操作する能力を習得し,発達させるメカニズムについて考察する。 我々のモデルは、シーン内のオブジェクトの数を推定する能力を得る。 我々は,簡単な事前学習作業から,数と量を持つ施設の重要側面を指導して学ぶことができると結論付けた。
  論文  参考訳（メタデータ） (2020-12-08T00:37:35Z)

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。