論文の概要: The Bayesian Reflex: A Predictive Coding Engine for Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2608.00492v1
• Date: Sat, 01 Aug 2026 07:32:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.725796
• Title: The Bayesian Reflex: A Predictive Coding Engine for Artificial Intelligence
• Title（参考訳）: ベイズ反射:人工知能の予測符号化エンジン
• Abstract要約: 本稿では,3つの柱による予測符号化を直接インスタンス化する計算フレームワークであるベイズ反射について紹介する。 最近のブレークスルーは、欠落するアルゴリズムの要素を提供する。 結果として得られるフレームワークは、数学的に原理化された、スケーラブルで、脳にインスパイアされた継続的な学習、知覚、意思決定を可能にする。
• 参考スコア（独自算出の注目度）: 1.2183405753834562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive coding offers a powerful theory of cortical computation, but corresponding scalable algorithmic implementations for artificial intelligence have remained elusive. This paper introduces the Bayesian reflex, a computational framework that directly instantiates predictive coding through three pillars: belief maintenance via hierarchical generative models, sequential Bayesian updating via prediction-error minimization, and uncertainty-driven action via active inference. We show that recent breakthroughs---ellipsoidal decomposition for exact $i.i.d.$ sampling, recursive Gaussian processes for deep hierarchical inference, and derivative-aware Bayesian optimization---provide the missing algorithmic ingredients. The resulting framework enables mathematically principled, scalable, and brain-inspired continual learning, perception, and decision-making. We illustrate its versatility through applications ranging from climate model evaluation to prime number discovery, offering a blueprint for truly adaptive artificial intelligence.
• Abstract（参考訳）: 予測符号化は皮質計算の強力な理論を提供するが、人工知能のためのスケーラブルなアルゴリズムの実装はいまだ解明されていない。 本稿では,階層的生成モデルによる信頼維持,予測エラー最小化による逐次ベイズ更新,アクティブ推論による不確実性駆動動作という,3つの柱による予測符号化を直接インスタンス化する計算フレームワークであるベイズ反射を紹介する。 最近のブレークスルー - 正確な$i.d.$サンプリングのための楕円分解、深い階層的推論のための再帰的なガウス過程、および微分アウェアベイズ最適化 - は、欠落したアルゴリズム成分を提供する。 結果として得られるフレームワークは、数学的に原理化された、スケーラブルで、脳にインスパイアされた継続的な学習、知覚、意思決定を可能にする。 気候モデル評価から素数発見に至るまでの応用を通して、その汎用性を解説し、真に適応的な人工知能のための青写真を提供する。

関連論文リスト

• The Bayesian Reflex: Online Learning as the Autonomic Nervous System of Modern and Future AI [0.9176056742068814]
  ベイズ反射は自律神経系と類似している。 AIにおけるオンライン学習のための統一フレームワークである。 継続的に学習する適応型AIの基盤となるインフラストラクチャを提供する。
  論文  参考訳（メタデータ） (2026-05-04T17:01:49Z)
• Deep Unfolding: Recent Developments, Theory, and Design Guidelines [99.63555420898554]
  この記事では、最適化アルゴリズムを構造化されたトレーニング可能なMLアーキテクチャに変換するフレームワークであるDeep Unfoldingのチュートリアルスタイルの概要を提供する。 推論と学習のための最適化の基礎を概観し、深層展開のための4つの代表的な設計パラダイムを導入し、その反復的な性質から生じる特有なトレーニングスキームについて議論する。
  論文  参考訳（メタデータ） (2025-12-03T13:16:35Z)
• Beyond Memorization: Extending Reasoning Depth with Recurrence, Memory and Test-Time Compute Scaling [60.63703438729223]
  異なるアーキテクチャとトレーニング手法がモデル多段階推論能力にどのように影響するかを示す。 我々は,逐次計算においてモデル深度の増加が重要な役割を担っていることを確認した。
  論文  参考訳（メタデータ） (2025-08-22T18:57:08Z)
• pyhgf: A neural network library for predictive coding [0.2150989251218736]
  texttpyhgfは、予測コーディングのための動的ネットワークの作成、操作、サンプリングのためのPythonパッケージである。 ネットワークコンポーネントを透過的でモジュール的で、拡張可能な変数としてメッセージパッシングステップに囲み込むことで、他のフレームワークよりも改善します。 コア変数の透明性は、自己組織化の原則を活用する推論プロセスにも変換できる。
  論文  参考訳（メタデータ） (2024-10-11T19:21:38Z)
• Divide-and-Conquer Predictive Coding: a structured Bayesian inference algorithm [11.722226132995978]
  我々は、分割・対数予測符号化(D CPC)と呼ばれる構造生成モデルのための新しい予測符号化アルゴリズムを導入する。 D CPCは、生物学的確率を犠牲にすることなく、モデルパラメーターの最大値更新を行う。 実証的には、DCPCは競合するアルゴリズムよりも優れた数値性能を達成し、これまで予測符号に対処していなかった多くの問題に対して正確な推論を提供する。
  論文  参考訳（メタデータ） (2024-08-11T17:29:03Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
  本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。 我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
  論文  参考訳（メタデータ） (2022-04-05T12:52:45Z)
• Parsimonious Inference [0.0]
  parsimonious inferenceは任意のアーキテクチャ上の推論の情報理論的な定式化である。 提案手法は,効率的な符号化と巧妙なサンプリング戦略を組み合わせて,クロスバリデーションを伴わない予測アンサンブルを構築する。
  論文  参考訳（メタデータ） (2021-03-03T04:13:14Z)
• Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
  予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。 アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。 本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-02T15:21:37Z)
• Predictive Coding Approximates Backprop along Arbitrary Computation Graphs [68.8204255655161]
  我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。 私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。 本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
  論文  参考訳（メタデータ） (2020-06-07T15:35:47Z)

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。