論文の概要: NeuroSynth: A Biologically Inspired Continual Reinforcement Learning Architecture for Mitigating Catastrophic Forgetting
- arxiv url: http://arxiv.org/abs/2607.28663v1
- Date: Fri, 24 Jul 2026 05:56:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.351852
- Title: NeuroSynth: A Biologically Inspired Continual Reinforcement Learning Architecture for Mitigating Catastrophic Forgetting
- Title（参考訳）: NeuroSynth: 破滅的形成を緩和するための生物学的にインスパイアされた継続的強化学習アーキテクチャ
- Abstract要約: 人工知能(AI)システムは、しばしば孤立したタスクでうまく機能するが、継続的な学習条件下では苦労する。
本研究では脳にインスパイアされた連続的強化学習アーキテクチャであるNeuro Synthを紹介した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) systems often perform well on isolated tasks but struggle under continual learning conditions, where training on new tasks can overwrite previously acquired knowledge, a failure mode known as catastrophic forgetting. Biological learning systems reduce this interference through complementary memory processes involving rapid hippocampal encoding and slower cortical consolidation. This study introduces NeuroSynth, a brain-inspired continual reinforcement learning architecture designed to mitigate catastrophic forgetting through a dual-pathway consolidation mechanism. NeuroSynth separates rapid task acquisition from long-term retention using distinct "plan" and "habit" pathways combined with replay and knowledge distillation. NeuroSynth was evaluated against Proximal Policy Optimization (PPO) and Elastic Weight Consolidation (EWC) across three sequential navigation tasks with changing goal locations in a non-revisitation continual learning setting. Across six independent seeds, NeuroSynth preserved substantially more early-task knowledge than PPO after sequential training, achieving 18.00% Task A success rate compared to 0.33% for PPO (p = 0.014929, Cohen's d = 1.49) and 35.33% Task B success rate compared to 0.00% for PPO (p = 0.002376, Cohen's d = 2.31). NeuroSynth also demonstrated higher final Task C performance than EWC, achieving 9.00% compared to 2.00% (p = 0.226643, Cohen's d = 0.56), indicating a moderate but not statistically significant advantage. These findings suggest that biologically inspired consolidation mechanisms may improve the stability-plasticity balance in continual reinforcement learning systems.
- Abstract（参考訳）: 人工知能(AI)システムは、しばしば孤立したタスクでうまく機能するが、新しいタスクのトレーニングが以前獲得した知識を上書きできる連続的な学習条件下で苦労する。
生物学的学習システムは、速い海馬のエンコーディングと遅い皮質の凝縮を含む相補的な記憶過程を通じて、この干渉を減らす。
本研究では,脳にインスパイアされた連続的強化学習アーキテクチャであるNeuroSynthを紹介した。
NeuroSynthは、異なる「計画」経路と「居住」経路と、リプレイと知識蒸留を組み合わせた長期維持から、迅速なタスク獲得を分離する。
NeuroSynthは3つのシーケンシャルナビゲーションタスクにまたがるPPO(Proximal Policy Optimization)とEWC(Elastic Weight Consolidation)に対して,非リビジョン連続学習環境における目標位置を変化させて評価した。
独立種6種のうち、NeuroSynthはPPOよりも早期に知識を保ち、18.00%タスクA成功率をPPOの0.33%(p = 0.014929, Cohen's d = 1.49)、35.33%タスクB成功率を0.00%(p = 0.002376, Cohen's d = 2.31)と比較した。
NeuroSynthはまた、EWCよりも高い最終タスクC性能を示し、2.00%(p = 0.226643, Cohen's d = 0.56)と比較して9.00%を達成した。
これらの結果から, 生物にインスパイアされた統合機構は, 連続的な強化学習システムにおける安定性と塑性のバランスを改善する可能性が示唆された。
関連論文リスト
- Progressive Generalization Augmentation with Deeply Coupled RND-PPO and Domain-Prioritized Noise Injection for Robust Crop Management Reinforcement Learning [3.0094301461257476]
本稿では,農業用RLシステムの実用的展開を妨げる3つの限界に対処する。
本稿では,3段階のカリキュラムを実装したPGA(Progressive Generalization Augmentation),デュアルチャネルGAE正規化を伴うRND-PPOアーキテクチャ,プログレッシブデケイド内在係数,セマンティックディフレティゼーション,階層的アクティベーションを伴うドメイン優先ノイズインジェクションの3つを紹介する。
論文 参考訳（メタデータ） (2026-05-17T12:48:47Z) - DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。
DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
論文 参考訳（メタデータ） (2026-03-16T02:02:38Z) - General Self-Prediction Enhancement for Spiking Neurons [71.01912385372577]
スパイキングニューラルネットワーク(SNN)は、イベント駆動のスパース計算によって非常にエネルギー効率が良いが、そのトレーニングは、性能、効率、生物学的妥当性の非微分可能性とトレードオフによって困難である。
本稿では,その入力出力履歴から内部予測電流を生成し,膜電位を変調する自己予測強化スパイキングニューロン法を提案する。
この設計には2つの利点があり、失明した勾配を緩和し、トレーニングの安定性と精度を高める連続的な勾配経路を作成し、また遠位樹状突起変調とエラー駆動のシナプス塑性に類似した生物学的原理と整合する。
論文 参考訳（メタデータ） (2026-01-29T15:08:48Z) - FSC-Net: Fast-Slow Consolidation Networks for Continual Learning [0.0]
本稿では,段階的知識統合から素早いタスク学習を分離するデュアルネットワークアーキテクチャを提案する。
提案手法では,新しいタスクへの即時適応のための高速ネットワーク(NN1)と,蒸留と再生を通じて知識を集約する低速ネットワーク(NN2)を用いる。
以上の結果から, アーキテクチャ上の複雑さではなく, 二重スケールの凝縮機構が破滅的忘れを緩和する中心となるという実証的証拠が得られた。
論文 参考訳（メタデータ） (2025-11-12T15:42:33Z) - Overcoming catastrophic forgetting in neural networks [0.0]
破滅的な忘れが継続的な学習を妨げる主要な課題である。
弾性ウェイト・コンソリデーション(Elastic Weight Consolidation)は、生体神経系におけるシナプス・コンソリデーションにインスパイアされた正規化に基づくアプローチである。
以上の結果から,EWC はナイーブトレーニングに比べて忘れを著しく減らすことが示唆された。
論文 参考訳（メタデータ） (2025-07-14T17:04:05Z) - Extending Spike-Timing Dependent Plasticity to Learning Synaptic Delays [50.45313162890861]
シナプス接続強度と遅延を同時に学習するための新しい学習規則を導入する。
我々は、教師なし学習で訓練された分類のための広く使われているSNNモデルを拡張して、我々のアプローチを検証する。
その結果,提案手法は様々なテストシナリオにおいて常に優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-06-17T21:24:58Z) - Stochastic Engrams for Efficient Continual Learning with Binarized Neural Networks [4.014396794141682]
我々は,メタプラスティック二項化ニューラルネットワーク(mBNN)のゲーティング機構として,可塑性活性化エングラムを統合した新しいアプローチを提案する。
以上の結果から, (A) トレードオフに対する安定性の向上, (B) メモリ集中度低下, (C) 双項化アーキテクチャの性能向上が示された。
論文 参考訳（メタデータ） (2025-03-27T12:21:00Z) - Mastering Continual Reinforcement Learning through Fine-Grained Sparse Network Allocation and Dormant Neuron Exploration [28.75006029656076]
本稿では,細粒度配置戦略により塑性を向上させる新しい構造ベースアプローチであるSSDEを紹介する。
SSDEは、パラメータ空間をフォワードトランスファー(フリーズ)パラメータとタスク固有の(トレーニング可能な)パラメータに分解する。
CW10-v1 Continual Worldベンチマークの実験では、SSDEが最先端のパフォーマンスを達成し、95%の成功率に達した。
論文 参考訳（メタデータ） (2025-03-07T08:58:07Z) - Hebbian Deep Learning Without Feedback [0.0]
我々は、フィードバック、ターゲット、エラー信号なしでディープニューラルネットワークをトレーニングするアルゴリズムであるSoftHebbを紹介する。
その効率性と生物学的適合性の向上は、最先端の生物工学学習と比べて正確さを損なわない。
論文 参考訳（メタデータ） (2022-09-23T23:12:59Z) - Continual learning benefits from multiple sleep mechanisms: NREM, REM,
and Synaptic Downscaling [51.316408685035526]
先行学習を失うことなく、新しいタスクやスキルを連続して学習することは、人工ニューラルネットワークと生物学的ニューラルネットワークの両方にとって、計算上の課題である。
本稿では,3つの異なる睡眠成分のモデル化が,人工ニューラルネットワークの連続学習にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2022-09-09T13:45:27Z) - Towards Scaling Difference Target Propagation by Learning Backprop
Targets [64.90165892557776]
Different Target Propagationは,Gauss-Newton(GN)最適化と密接な関係を持つ生物学的に証明可能な学習アルゴリズムである。
本稿では、DTPがBPを近似し、階層的なフィードバックウェイトトレーニングを復元できる新しいフィードバックウェイトトレーニング手法を提案する。
CIFAR-10 と ImageNet 上で DTP が達成した最高の性能について報告する。
論文 参考訳（メタデータ） (2022-01-31T18:20:43Z) - Equilibrium Propagation with Continual Weight Updates [69.87491240509485]
時間によるバックプロパゲーション(BPTT)と密接に一致する勾配を計算し、機械学習と神経科学を橋渡しする学習アルゴリズムを提案する。
理論的には、学習速度が十分に小さい場合、第2相の各段階において、BPTTが与える損失の勾配に従ってニューロンとシナプスのダイナミクスが従うことを証明している。
これらの結果からEPは,後方伝播との親密な関係を維持しつつ,ハードウェアの制約に順応し,生物学に一歩近づいた。
論文 参考訳（メタデータ） (2020-04-29T14:54:30Z)
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。