論文の概要: From Observation to Intervention: Memory in Brains and Large Language Models

• arxiv url: http://arxiv.org/abs/2608.12377v1
• Date: Mon, 27 Jul 2026 16:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 01:32:04.600565
• Title: From Observation to Intervention: Memory in Brains and Large Language Models
• Title（参考訳）: 観察から介入へ:脳と大規模言語モデルにおける記憶
• Abstract要約: 脳と大型言語モデル(LLM)は基本的に異なるメモリシステムである。 LLMは暗黙の記憶を欠いているが、内部状態と記憶された情報の異常な直接的かつ反復的な操作を許している。 彼らのツールは、検索、更新、永続性、可逆性、意図しない効果に関する幅広い疑問を、よりシャープな生物学的仮説に変えるのに役立つかもしれない。
• 参考スコア（独自算出の注目度）: 5.65088595430525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brains and large language models (LLMs) are fundamentally different memory systems, but they can be compared through shared functional questions: where memory-related information is represented, how partial cues recover broader associations, how new information is written or updated, and how memory-related states can be perturbed. In biological systems, these questions span synapses, neuronal ensembles, hippocampal-cortical interactions, and plasticity; in LLMs, they span weights, activations, context windows, retrieval systems, and external stores. The comparison is therefore functional and experimental rather than anatomical. Human studies reveal sparse concept responses, temporal binding, rapid association formation, episode-specific coding, and recall-related reactivation, but selective intervention remains limited. Rodent studies provide more selective causal access to learning-related ensembles, whereas human and macaque interventions usually affect broader circuits. LLMs lack lived episodic memory, yet they permit unusually direct and repeatable manipulation of internal states and stored information. We argue that this asymmetry creates a new opportunity. LLMs are not ahead in memory itself, but in experimental access. Their tools may help turn broad questions about retrieval, updating, persistence, reversibility, and unintended effects into sharper biological hypotheses. The productive bridge is to transfer experimental logic, not anatomical parts.
• Abstract（参考訳）: 脳と大言語モデル(LLM)は基本的に異なるメモリシステムであるが、共有機能的な質問によって比較することができる。 生物学的システムでは、これらの質問はシナプス、神経細胞のアンサンブル、海馬と皮質の相互作用、可塑性に及び、LLMでは重み、アクティベーション、コンテキストウィンドウ、検索システム、外部ストアにまたがる。 したがって、比較は解剖学よりも機能的で実験的である。 人間の研究では、スパースの概念応答、時間的結合、迅速な関連形成、エピソード特異的コーディング、リコール関連再活性化が明らかにされているが、選択的介入は限られている。 げっ歯類の研究は学習に関連したアンサンブルに対してより選択的に因果的アクセスを提供するが、人間やマカクの介入は通常より広い回路に影響を与える。 LLMは暗黙の記憶を欠いているが、内部状態と記憶された情報の異常な直接的かつ反復的な操作を許している。 この非対称性は新たな機会を生み出すと我々は主張する。 LLMはメモリ自体の前方ではなく、実験的なアクセスである。 彼らのツールは、検索、更新、永続性、可逆性、意図しない効果に関する幅広い疑問を、よりシャープな生物学的仮説に変えるのに役立つかもしれない。 生産的なブリッジは、解剖学的な部分ではなく、実験的な論理を伝達することである。

関連論文リスト

• Continual Knowledge Updating in LLM Systems: Learning Through Multi-Timescale Memory Dynamics [5.113513399537608]
  我々は、外部記憶は生物学的記憶と同様の原理に従うべきだと主張している。 Meminiでは、この見解は、知識を有向グラフとして整理する連想記憶の形を取る。
  論文  参考訳（メタデータ） (2026-05-06T16:33:42Z)
• The AI Hippocampus: How Far are We From Human Memory? [77.04745635827278]
  インプリシットメモリは、事前訓練されたトランスフォーマーの内部パラメータに埋め込まれた知識を指す。 明示メモリは、動的でクエリ可能な知識表現でモデル出力を増大させるように設計された外部ストレージと検索コンポーネントを含んでいる。 エージェントメモリは、自律エージェント内に永続的、時間的に拡張されたメモリ構造を導入する。
  論文  参考訳（メタデータ） (2026-01-14T03:24:08Z)
• AI Meets Brain: Memory Systems from Cognitive Neuroscience to Autonomous Agents [69.39123054975218]
  メモリは過去と未来の重要なネクサスブリッジとして機能する。 自律エージェントに関する最近の研究は、認知神経科学に基づいて効率的な記憶を設計することに集中している。
  論文  参考訳（メタデータ） (2025-12-29T10:01:32Z)
• Evaluating Long-Term Memory for Long-Context Question Answering [100.1267054069757]
  質問応答タスクにアノテートした合成長文対話のベンチマークであるLoCoMoを用いて,メモリ拡張手法の体系的評価を行う。 以上の結果から,メモリ拡張アプローチによりトークン使用率が90%以上削減され,競争精度が向上した。
  論文  参考訳（メタデータ） (2025-10-27T18:03:50Z)
• Memorization and Knowledge Injection in Gated LLMs [8.305942415868042]
  大規模言語モデル(LLM)は、現在、シーケンシャルに新しい記憶を追加し、新しい知識を統合するのに苦労している。 Gated LLM (MEGa) に埋め込まれたメモリは、イベントメモリを直接 LLM の重みに注入する。 推論中、ゲーティング機構は、クエリの埋め込みとストアドメモリの埋め込みとをマッチングすることで、関連するメモリ重みを活性化する。
  論文  参考訳（メタデータ） (2025-04-30T00:28:32Z)
• BrainMAP: Learning Multiple Activation Pathways in Brain Networks [77.15180533984947]
  本稿では,脳ネットワークにおける複数の活性化経路を学習するための新しいフレームワークであるBrainMAPを紹介する。 本フレームワークは,タスクに関わる重要な脳領域の説明的分析を可能にする。
  論文  参考訳（メタデータ） (2024-12-23T09:13:35Z)
• MADial-Bench: Towards Real-world Evaluation of Memory-Augmented Dialogue Generation [15.64077949677469]
  メモリ拡張対話システム(MADS)の有効性を評価するための新しいメモリ拡張対話ベンチマーク(MADail-Bench)を提案する。 このベンチマークは2つのタスクを別々に評価する: メモリ検索とメモリ認識は、パッシブとプロアクティブの両方のメモリリコールデータを組み込んだものである。 このベンチマークにおける最先端の埋め込みモデルと大規模言語モデルの結果は、さらなる進歩の可能性を示している。
  論文  参考訳（メタデータ） (2024-09-23T17:38:41Z)
• What Are Large Language Models Mapping to in the Brain? A Case Against Over-Reliance on Brain Scores [1.8175282137722093]
  大規模言語モデル(LLM)の内部表現は最先端の脳スコアを達成し、人間の言語処理と計算原理を共有するという憶測に繋がる。 本稿では、LLM-to-Brainマッピングに関する衝撃的な研究で使用される3つのニューラルデータセットを分析し、参加者が短いパスを読み取るfMRIデータセットに特に焦点をあてる。 このデータセット上で訓練されたLLMの脳のスコアは、文の長さ、位置、代名詞による単語の埋め込みによって大きく説明できる。
  論文  参考訳（メタデータ） (2024-06-03T17:13:27Z)
• Linking In-context Learning in Transformers to Human Episodic Memory [1.124958340749622]
  我々は,トランスフォーマーに基づく大規模言語モデルにおいて,文脈内学習に寄与する帰納的頭部に焦点を当てた。 本研究では,インダクションヘッドの動作,機能,機械的特性が,ヒトのエピソード記憶の文脈的保守と検索モデルに類似していることを示す。
  論文  参考訳（メタデータ） (2024-05-23T18:51:47Z)
• One-hot Generalized Linear Model for Switching Brain State Discovery [1.0132677989820746]
  神経信号からの推論された神経相互作用は、主に機能的相互作用を反映する。 学習した前者は状態-状態相互作用を捉え、基礎となる解剖学的コネクトームに光を当てるべきであることを示す。 本手法は,シミュレーションデータにおける真の相互作用構造を効果的に復元し,実際のニューラルネットワークで最高の予測可能性を獲得し,相互作用構造や隠れ状態をより解釈可能なものにする。
  論文  参考訳（メタデータ） (2023-10-23T18:10:22Z)
• Memory-Augmented Theory of Mind Network [59.9781556714202]
  社会的推論は、心の理論(ToM)の能力を必要とする。 ToMに対する最近の機械学習アプローチは、観察者が過去を読み、他のエージェントの振る舞いを提示するように訓練できることを実証している。 我々は,新たなニューラルメモリ機構を組み込んで符号化し,階層的な注意を払って他者に関する情報を選択的に検索することで,課題に対処する。 この結果、ToMMYは心的プロセスについての仮定をほとんど行わずに理性を学ぶマインドモデルである。
  論文  参考訳（メタデータ） (2023-01-17T14:48:58Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)

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。