論文の概要: Training, learning and inference: unified dynamics of neural systems

• arxiv url: http://arxiv.org/abs/2608.20965v1
• Date: Fri, 21 Aug 2026 10:37:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.509679
• Title: Training, learning and inference: unified dynamics of neural systems
• Title（参考訳）: トレーニング、学習、推論:ニューラルネットワークの統一力学
• Abstract要約: 生成元f=(u,tau,omega,z;rho)という原子生成事実を定義し,その起源,実現された変換,具体的発生,生成結果,関係の役割を記録できる。 生成ファクトグラフ(GFG)にコンパイルされたこれらの事実は、生成履歴を保存するAIネイティブでコンパイル可能な科学的事実基盤を提供する。
• 参考スコア（独自算出の注目度）: 1.090221427575275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We define an atomic generation fact f=(u,tau,omega,z;rho), recording the origin, realized transformation, concrete occurrence, generated result and relation role. Compiled into a Generation-Fact Graph (GFG), these facts provide an AI-native, compilable scientific fact substrate preserving generation histories. We establish a GFG-based recursive scientific process in which analysis, intervention, replay and validation form facts for later cycles. Using nanoGPT, we establish unified training-learning dynamics. Training is the evolution of a parameter-optimizer system with state and memory: each actual training action enters the receiving state and produces a finite-amplitude nonlinear functional response conditioned by that state and target-specific update geometry. Learning is the persistent reorganization of distributed functional support by these responses; capability formation, maintenance, decline or recovery becomes observable when target-specific states are evaluated against their readout boundaries. Three primary coordinates - target-boundary state, target-specific update geometry and parameter-Adam receiving state - yield a second-order predictor operating before post-update outputs are read. On held-out runs, it achieved 91.43% accuracy and 91.49% macro-averaged recall across four transitions. We further establish inference as a frozen projection of training-learning dynamics. Component gating and rollback show causal recruitment and non-additive combination of query-conditioned support formed during training, deriving organizational conditions realized by Attention. Controlled feedback indicates possible double-edged reinforcement effects. ResNet/CIFAR-100 and diffusion/CIFAR-10 experiments confirm receiving-state-conditioned responses, persistent support reorganization and frozen inference projection beyond nanoGPT.
• Abstract（参考訳）: 生成元f=(u,tau,omega,z;rho)という原子生成事実を定義し,その起源,実現された変換,具体的発生,生成結果,関係の役割を記録できる。 生成ファクトグラフ(GFG)にコンパイルされたこれらの事実は、生成履歴を保存するAIネイティブでコンパイル可能な科学的事実基盤を提供する。 我々はGFGに基づく再帰的科学的プロセスを構築し、分析、介入、再生、検証が後続のサイクルで事実を形成する。 ナノGPTを用いて,統合学習力学を確立する。 トレーニングは、状態とメモリを持つパラメータ最適化システムの進化であり、それぞれのトレーニングアクションが受信状態に入り、その状態とターゲット固有の更新幾何によって条件付けられた有限振幅非線形機能応答を生成する。 学習は、これらの応答によって分散機能サポートの永続的な再編成であり、目標固有状態が読み出し境界に対して評価されると、能力形成、保守、低下または回復が観測可能である。 ターゲット境界状態、ターゲット固有更新形状、パラメータアダム受信状態の3つの一次座標は、更新後の出力が読み込まれる前に2階の予測器を動作させる。 ホールドアウトでは、4回の移行で91.43%の精度と91.49%のマクロ平均リコールを達成した。 さらに、トレーニング-学習力学の凍結予測として推論を確立する。 コンポーネントゲーティングとロールバックは、トレーニング中に形成されたクエリ条件付きサポートの因果的採用と非付加的な組み合わせを示し、注意によって実現された組織条件を導出する。 制御されたフィードバックは二重端強化効果を示す。 ResNet/CIFAR-100および拡散/CIFAR-10実験は、受信状態条件の応答、持続的な支持再構成、ナノGPTを超える凍結推論予測を確認した。

関連論文リスト

• Beyond Episodic AI: Cognitive Field Networks for Biologically Inspired Persistent Cognition [0.0]
  認知場理論 (Cognitive Field Theory, CFT) は、認知は永続的なマクロな認知場を生成する記憶型集団力学から生じることを提唱している。 我々は,[ _n+1=F_(X_n+1,_n) を介して,組織された隠れフィールドがその後の推論に再入力するリカレント・トランスフォーマである認知場ネットワーク (CFN) を開発した。 学習は、トレーニングされたリカレント水平線とともに、時間スケールが体系的に増加する永続的、コンテンツ依存のリカレントダイナミクスを組織化する。
  論文  参考訳（メタデータ） (2026-09-15T07:29:04Z)
• NeoHorse-1: Towards Recursive Self-Improvement via Agentic Post-Training with Routing Harness [76.6324710887112]
  NeoHorse-1は、エージェントのポストトレーニングを通じてこの経路を探索するために開発されたエージェントネイティブモデルのファミリーである。 本システムでは,異種モデルプールとインテリジェントなルーティング,予測能力要求,選択されたサービス層,およびその後のユーザ毎のインタラクションを結合する。
  論文  参考訳（メタデータ） (2026-09-08T03:14:54Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• Physics-Informed Neural Learning for State Reconstruction and Parameter Identification in Coupled Greenhouse Climate Dynamics [0.0]
  物理インフォームドニューラルネットワーク(PINN)は最近、データ駆動学習と物理知識を統合するための有望なフレームワークとして登場した。 本研究では,温室環境における室内温度と湿度の動的変化を共同で再現するためのPINN手法を提案する。
  論文  参考訳（メタデータ） (2026-05-04T12:26:30Z)
• daVinci-LLM:Towards the Science of Pretraining [58.6458452580545]
  daVinci-LLMは、産業規模の資源と完全な研究自由を組み合わせて、事前訓練の科学を前進させる。 完全なデータ処理パイプライン、完全なトレーニングプロセス、体系的な調査結果をリリースしています。
  論文  参考訳（メタデータ） (2026-03-28T07:00:49Z)
• Molecular Identifier Visual Prompt and Verifiable Reinforcement Learning for Chemical Reaction Diagram Parsing [52.825281124618535]
  反応図解析(RxnDP)は、文献から化学合成情報を抽出するために重要である。 近年の視覚言語モデル(VLM)はこの複雑な視覚的推論タスクを自動化するための有望なパラダイムとして登場した。 この研究はVLMベースのRxnDPを2つの相補的視点、すなわち表現の促進と学習パラダイムから強化する。
  論文  参考訳（メタデータ） (2026-03-16T09:17:05Z)
• AutoResearch-RL: Perpetual Self-Evaluating Reinforcement Learning Agents for Autonomous Neural Architecture Discovery [5.110708177092157]
  本稿では、強化学習エージェントが人間の監督なしにオープンエンドニューラルネットワーク研究を行うためのフレームワークであるAutoResearch-RLを提案する。 我々はこれをマルコフ決定過程として定式化し、軽微な仮定の下で収束保証を導出し、1つのGPUナノチャット事前学習ベンチマークで経験的に実証する。
  論文  参考訳（メタデータ） (2026-03-07T17:49:44Z)
• Causal Imitation Learning Under Measurement Error and Distribution Shift [6.038778620145853]
  ノイズ測定によってのみ、決定関連状態の一部が観察される場合、オフライン模倣学習(IL)について検討する。 本稿では,変数間の因果関係を明示的にモデル化することによって,測定誤差下でのILの一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:06:53Z)
• Time-Scale Coupling Between States and Parameters in Recurrent Neural Networks [3.924071936547547]
  ゲーテッドニューラルネットワーク(RNN)は、適応的な学習速度の振る舞いを暗黙的に誘発する。 効果は状態空間の時間スケールとパラメータ空間のダイナミクスの結合から生じる。 経験的シミュレーションはこれらの主張を裏付ける。
  論文  参考訳（メタデータ） (2025-08-16T18:19:34Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)

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。