論文の概要: Learning to Access Computation: Accessibility Plasticity as a Principle of Adaptive Intelligence

• arxiv url: http://arxiv.org/abs/2607.22748v1
• Date: Thu, 23 Jul 2026 09:48:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.863703
• Title: Learning to Access Computation: Accessibility Plasticity as a Principle of Adaptive Intelligence
• Title（参考訳）: アダプティブインテリジェンスの原理としてのアクセシビリティ・プラスティック性
• Authors: Zhaowen Fan,
• Abstract要約: この研究はアクセシビリティ・プラスティック性(Accessibility Plasticity)を導入している。 逐次学習タスクにおける概念実証評価では、アクセシビリティ適応は、同等のタスク性能を維持しながら、能力変更を減らすことができる。
• 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: Modern neural networks primarily adapt through parameter modification within predefined computational structures. While recent methods introduce modularity, conditional computation, and parameter-efficient adaptation, they generally do not distinguish computational capability from computational accessibility as separate adaptive variables. This work introduces Accessibility Plasticity, a principle of adaptive computation in which systems adapt not only by changing what computation exists, but also by reorganizing which existing computations can interact and participate. We formalize Accessibility Plasticity through a relationship-based operational realization and establish a reuse-first hierarchy of adaptation, where accessibility modification precedes more costly capability and structural changes. A proof-of-concept evaluation on sequential learning tasks shows that accessibility adaptation can reduce capability modification while maintaining comparable task performance. These results suggest accessibility as a distinct adaptive dimension and provide a foundation for future dynamic neural systems whose computational relationships evolve with changing environments.
• Abstract（参考訳）: 現代のニューラルネットワークは、主に事前に定義された計算構造内のパラメータ修正によって適応する。 最近の手法では、モジュラリティ、条件計算、パラメータ効率適応を導入しているが、一般に計算能力と計算アクセシビリティを分離した適応変数と区別しない。 この研究はアクセシビリティ・プラスティックティ(Accessibility Plasticity)という適応型計算の原則を導入し、システムはどの計算が存在するかを変更するだけでなく、既存の計算が相互作用し参加できるかを再編成することで適応する。 我々は、アクセシビリティ・プラスティックティを関係に基づく運用実現を通じて形式化し、アクセシビリティの修正がよりコストのかかる能力と構造的変化に先行する、再利用優先の適応階層を確立する。 逐次学習タスクにおける概念実証評価では、アクセシビリティ適応は、同等のタスク性能を維持しながら、能力変更を減らすことができる。 これらの結果は、アクセシビリティを異なる適応次元として示唆し、変化する環境とともに計算関係が進化する未来の動的ニューラルネットワークの基礎を提供する。

関連論文リスト

• Structural Priors and Modular Adapters in the Composable Fine-Tuning Algorithm of Large-Scale Models [8.15127799301814]
  本稿では,グラフ構造をモジュール型アダプタと組み合わせた,構成可能な微調整法を提案する。 提案手法は,タスク予測精度,アダプタ重み付け精度,全体的な計算効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-11-06T02:10:20Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Autonomous Structural Memory Manipulation for Large Language Models Using Hierarchical Embedding Augmentation [0.0]
  本研究では,マルチレベルセマンティック構造を通じてトークンの表現を再定義する手段として,階層的な埋め込み拡張を導入する。 その結果、より長い入力シーケンスに対して処理オーバーヘッドが大幅に削減され、計算効率が大幅に向上した。 トークン表現とメモリ構成を動的に調整する能力は、様々な予測不可能な入力条件下でモデルの堅牢性に寄与した。
  論文  参考訳（メタデータ） (2025-01-23T22:20:36Z)
• Constrained Equation Learner Networks for Precision-Preserving Extrapolation of Robotic Skills [6.144680854063937]
  本稿では,実証によるプログラミングにおける軌道適応問題に対処する,教師付き学習フレームワークを提案する。 方程式学習ネットワークを用いて解析式を学習し,基礎関数として利用する。 提案手法は, ロボット軌道の適応における3つの課題に対処する。1) 軌道の歪みを最小限に抑えること,2) 適応の精度を保つこと,3) 基本機能の構造に関する直観の欠如に対処すること。
  論文  参考訳（メタデータ） (2023-11-04T18:16:18Z)
• Efficient and Flexible Neural Network Training through Layer-wise Feedback Propagation [49.44309457870649]
  レイヤワイドフィードバックフィードバック(LFP)は、ニューラルネットワークのような予測器のための新しいトレーニング原則である。 LFPはそれぞれの貢献に基づいて個々のニューロンに報酬を分解する。 提案手法は,ネットワークの有用な部分と有害な部分の弱体化を両立させる手法である。
  論文  参考訳（メタデータ） (2023-08-23T10:48:28Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Tensor network approaches for learning non-linear dynamical laws [0.0]
  制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。 データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
  論文  参考訳（メタデータ） (2020-02-27T19:02:40Z)

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。