論文の概要: SoftModel: A Neural Model That Grows Its Own Topology -- Governed Structural Growth for Continual In-Service Learning
- arxiv url: http://arxiv.org/abs/2608.16409v1
- Date: Mon, 17 Aug 2026 11:03:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.644896
- Title: SoftModel: A Neural Model That Grows Its Own Topology -- Governed Structural Growth for Continual In-Service Learning
- Title（参考訳）: SoftModel: 独自のトポロジを成長させるニューラルモデル - 継続的サービス内学習のための構造的成長
- Abstract要約: 私たちは、逆の前提を公理と捉え、生涯学習者が必要とするガバナンスを導出します。
設計対象体制は継続的、サービス内学習である。
完全なオフスクラッチシステムは、口座全体を実現する。
- 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: Today, a neural system is almost always used in two phases -- trained, then deployed -- and in that regime it freezes twice: training ends, and the topology itself was never a degree of freedom. We take the opposite premise as an axiom -- total plasticity: no part of a model, including its structure, is ever frozen -- and derive the governance a lifelong learner then requires. The design's target regime is continual, in-service learning: a long-lived model on a non-stationary stream, whose stability comes from governance rather than immobility and whose capacity follows demand. The result is a growable soft model: an algebra of structural operators (width, hierarchy, composition, input interface, grown cycles, attention heads), each exact at application, budgeted, and audited, with adoption decided solely by a held-out reality gate that treats parametric and structural change uniformly. A complete from-scratch system realizes the whole account; its factory surface is operated end-to-end by a production LLM. Two conclusions follow from the axiom by construction: stability under lifelong change becomes an audit property of the lifecycle, and structure that follows demand removes the silent cap a fixed topology places on later capability where the capacity floor binds. A third is measured: in the worlds where this was measured, the marginal value of new capacity was unobservable before adoption, so workable growth governance took its ex-post form. The same governance extends to evaluative signals, and the core method is evaluated on standard continual-learning benchmarks, where governed growth preserves the ability to keep learning along long task sequences. A pre-registered experimental program adjudicates the mechanism and value claims on the tested problems and reports its failures at full prominence; the map -- positive and negative -- is the contribution.
- Abstract（参考訳）: 今日では、ニューラルネットワークはトレーニングされた後デプロイされた2つのフェーズでほとんど常に使用され、その状態では2回凍結する。
正反対の前提は -- 総可塑性 — その構造を含むモデルの一部が凍結されることはなく -- であることから、生涯学習者が必要とするガバナンスを導出するのです。
非定常的ストリーム上の長寿命モデルであり、安定性は不変性よりもガバナンスによるもので、その能力は需要に従う。
その結果、構造演算子(幅、階層、構成、入力インターフェイス、成長サイクル、注意ヘッド)の代数は、それぞれ正確に適用、予算化、監査され、パラメトリックおよび構造変化を均一に扱う保持された現実ゲートによってのみ決定される。
完全なゼロスクラッチシステムにより、その工場表面は生産LLMによってエンドツーエンドに操作される。
寿命変化下での安定性はライフサイクルの監査特性となり、要求に従う構造は、キャパシティフロアが結合する後の能力上の固定トポロジー上のサイレントキャップを除去する。
これが測定された世界では、新しいキャパシティの限界値が採用される前に観測不可能であったため、実行可能なグロースガバナンスはポスト形式を採用しました。
同じガバナンスは評価的な信号にまで拡張され、コアメソッドは標準的な連続学習ベンチマークで評価される。
事前登録された実験プログラムは、テストされた問題に対するメカニズムと価値の主張を判断し、その失敗を完全に有名に報告する。
関連論文リスト
- When Does Continual Learning Require Learning [68.55508958298942]
継続的学習は単一の能力ではないことを示す。
環境変化の異なるパターンは、根本的に異なる更新動作を必要とする。
それぞれの手法が成功するか、失敗するかを理解することが、より強力な継続的学習システムの設計を導くことを願っている。
論文 参考訳（メタデータ） (2026-07-08T18:27:40Z) - From Application-Layer Simulation to Native Meta-Architecture: Structural Tension as an Endogenous Driver for Heterogeneous AI Evolution [0.0]
現在の大規模言語モデル(LLM)は、推論セッション間でステートレスである。
本稿では,アプリケーション層認知プロトコルをネイティブなメタアーキテクチャに組み込むための理論的枠組みを提案する。
論文 参考訳（メタデータ） (2026-07-07T13:34:27Z) - Intelligence as Managed Autonomy: Failure, Escalation, and Governance for Agentic AI Systems [0.0]
本稿では,非有界自律のアーキテクチャ的脆弱性について考察する。
この理論をSMARtモデル(Stable、Meta-cognitive、Assisted、Regulationの4層フレームワーク)を用いてインスタンス化する。
自律ライフサイクルにおける障害管理の形式化は、信頼性と管理された人工知能の実現に向けた重要なステップである、と結論付けます。
論文 参考訳（メタデータ） (2026-05-26T19:49:23Z) - Self-Evolving Spatial Reasoning in Vision Language Models via Geometric Logic Consistency [53.28076739140119]
本稿では,視覚・言語モデル(VLM)における論理的一貫性を幾何学的・言語的双対性演算によって実現する枠組みを提案する。
SAGEは、従来のGRPO法に比べてモデルに依存しず、データ効率が良く、既存のVLMに軽量な後学習段階として適用することができる。
ビデオおよび空間推論ベンチマークの実験では、強いベースラインよりも一貫した改善が示されている。
論文 参考訳（メタデータ） (2026-05-18T10:05:21Z) - The Mechanism of Weak-to-Strong Generalization: Feature Elicitation from Latent Knowledge [51.56484100374058]
Weak-to-strong(W2S)の一般化は、AIシステムの整合性に対するアプローチとして提案されている。
We study W2S in the setting of reward-model learning with two-layer neural network。
本研究は,本モデルが課題$$を効率よく学習し,汎用性を維持しつつ,事前学習した知識を抽出することを証明する。
論文 参考訳（メタデータ） (2026-05-13T02:35:58Z) - Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond [209.35045331678043]
2つの軸に沿って組織された「レベルx法」の分類を導入します。
第一に、3つの能力レベルを定義している: 1段階の局所遷移演算子を学ぶL1 Predictor、それらをドメインの法則を尊重する多段階のアクション条件付きロールアウトに構成するL2 Simulator、新しいエビデンスに対して予測が失敗すると自己のモデルを自動で修正するL3 Evolver。
我々は400以上の作品を合成し、モデルに基づく強化学習、ビデオ生成、WebおよびGUIエージェント、マルチエージェント社会シミュレーション、AIによる科学的発見にまたがる100以上の代表システムを要約する。
論文 参考訳（メタデータ） (2026-04-24T17:48:47Z) - Representation Stability in a Minimal Continual Learning Agent [0.0]
アーキテクチャの複雑さと最適化目標から表現力学を分離するために設計された最小限の連続学習エージェントについて検討する。
連続正規化状態ベクトル間のコサイン類似性を用いて表現変化を定量化し、時間間隔で安定度を定義する。
論文 参考訳（メタデータ） (2026-02-23T09:59:03Z) - Learning Beyond Optimization: Stress-Gated Dynamical Regime Regulation in Autonomous Systems [0.0]
明示的な目的を持たずに学習するための枠組みを提案する。
外部エラー信号を最小化する代わりに、システムは内部力学の本質的な健康を評価する。
この結果から,自律学習システムへの道筋が示唆された。
論文 参考訳（メタデータ） (2026-02-20T19:39:56Z) - TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。
私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。
以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
論文 参考訳（メタデータ） (2025-09-15T12:25:39Z) - Knowledge Collapse in LLMs: When Fluency Survives but Facts Fail under Recursive Synthetic Training [2.094557609248011]
大規模な言語モデルは、人間が書き込んだコンテンツの不足のために、合成データにますます依存している。
モデル生成出力に対する再帰的なトレーニングは、事実の信頼性を脅かす退化過程であるモデル崩壊につながる。
論文 参考訳（メタデータ） (2025-09-05T04:29:15Z) - The Importance of Being Lazy: Scaling Limits of Continual Learning [60.97756735877614]
モデル幅の増大は,特徴学習の量を減らし,遅延度を高めた場合にのみ有益であることを示す。
特徴学習,タスク非定常性,および忘れることの複雑な関係について検討し,高い特徴学習が極めて類似したタスクにのみ有用であることを示す。
論文 参考訳（メタデータ） (2025-06-20T10:12:38Z) - Evaluating and Improving Continual Learning in Spoken Language
Understanding [58.723320551761525]
本研究では,連続学習における安定性,可塑性,一般化性に関する統一的な評価手法を提案する。
提案手法を用いることで,SLUモデルのこれらの3つの特性の異なる側面を,様々な知識蒸留の導入によってどのように改善するかを実証する。
論文 参考訳（メタデータ） (2024-02-16T03:30:27Z)
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。