論文の概要: Free-Energy-Gated Plasticity for Real-Time Online Motor Learning in Physical Human-Robot Interaction

• arxiv url: http://arxiv.org/abs/2608.23000v2
• Date: Tue, 25 Aug 2026 03:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.184943
• Title: Free-Energy-Gated Plasticity for Real-Time Online Motor Learning in Physical Human-Robot Interaction
• Title（参考訳）: 人-ロボットインタラクションにおけるリアルタイムオンラインモータ学習のための自由エネルギー学習型塑性
• Authors: Hiroki Sawada, Jun Tani,
• Abstract要約: 我々は、予測符号化にインスパイアされた変動リカレントニューラルネットワーク(PV-RNN)を拡張して、そのシナプス重みを継続的に適応させる。 変動自由エネルギーに応じて有効学習率を制御する自由エネルギーGated Plasticity (FEGP) を提案する。
• 参考スコア（独自算出の注目度）: 0.6732076464377242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fully online embodied learning requires synaptic adaptation to acquire new behaviors while preserving previously learned dynamics during ongoing interaction. We extend the Predictive-Coding-inspired Variational Recurrent Neural Network (PV-RNN) to continuously adapt its synaptic weights and propose Free-Energy-Gated Plasticity (FEGP), which regulates the effective learning rate according to variational free energy. In real-time physical human-robot interaction, a randomly initialized network acquired three cyclic motor patterns without offline pretraining, replay, or task-boundary signals, with all three patterns emerging in autonomous rollouts. Controlled experiments over ten randomized teaching streams and five network initializations per stream showed that FEGP substantially improved repertoire coverage and retention of previously acquired patterns after they left the recent observation window. Neither a constant learning rate matched to the gate's time-averaged effective rate nor replay of the same gain values with disrupted temporal organization reproduced these improvements. These results indicate that the temporal allocation of plasticity relative to model-environment mismatch, rather than simply its average magnitude or distribution, is critical for maintaining previously acquired behaviors during continued online learning.
• Abstract（参考訳）: 完全なオンライン具体学習は、進行中の相互作用の間、以前に学習されたダイナミクスを保存しながら、新しい行動を取得するためにシナプス適応を必要とする。 本研究では,予測符号化にインスパイアされた変動リカレントニューラルネットワーク(PV-RNN)を拡張して,そのシナプス重みを連続的に適応させるとともに,変動自由エネルギーに応じて効果的な学習速度を調節する自由エネルギーGated Plasticity(FEGP)を提案する。 リアルタイムの物理的ロボットインタラクションにおいて、ランダムに初期化されたネットワークは、オフラインの事前訓練、リプレイ、タスク境界信号なしで3つの循環運動パターンを取得し、これら3つのパターンはすべて自律的なロールアウトで発生した。 10のランダム化学習ストリームと5つのネットワーク初期化による制御実験により、FEGPは最近の観測窓から離れた後、レパートリーのカバレッジと保持を大幅に改善した。 一定の学習速度がゲートの時間平均効力率と一致しなかったり、時間的障害を伴う同じ利得値の再生がこれらの改善を再現しなかった。 これらの結果は, モデル環境のミスマッチに対する可塑性の時間的配分が, オンライン学習の継続中に獲得した行動を維持する上で重要であることを示唆している。

関連論文リスト

• Hebbian Attractor Networks for Robot Locomotion [44.84033948079516]
  ヘビアン可塑性は、変化する環境に迅速に適応するための有望な道を提供する。 Hebbian Attractor Networks (HANs) は創発的アトラクタダイナミクスを誘導する。 その結果、低速更新と平均的なシナプス前後の活性化が組み合わさって、安定した重量構成への収束を促進することが示唆された。
  論文  参考訳（メタデータ） (2026-03-23T19:20:14Z)
• Connectome-Guided Automatic Learning Rates for Deep Networks [3.2228025627337864]
  本研究では,このコネクトーム再構成によって学習率をオンラインで調整するコネクトーム誘導自動学習率(CG-ALR)を提案する。 このコネクトロミクスにインスパイアされたメカニズムは、ネットワークの動的機能組織にステップサイズを適応させ、不安定な再構成中に学習を遅くし、安定した組織が出現するとそれを加速する。 脳コネクトームにインスパイアされた原理は、ディープラーニングにおける適応学習率の設計に役立ち、従来のSGDベースのスケジュールや最近の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-27T19:11:49Z)
• Reinforced Interactive Continual Learning via Real-time Noisy Human Feedback [59.768119380109084]
  本稿では,AIモデルがリアルタイムフィードバックから新たなスキルを動的に学習する対話型連続学習パラダイムを提案する。 大規模言語モデル(LLM)を活用した強化型対話型連続学習フレームワークRiCLを提案する。 我々のRiCLアプローチは、最先端のオンライン連続学習とノイズラベル学習の既存の組み合わせを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-05-15T03:22:03Z)
• Learning Continuous Network Emerging Dynamics from Scarce Observations via Data-Adaptive Stochastic Processes [11.494631894700253]
  我々は、データ適応型ネットワークダイナミクスによって制御される新しいプロセスのクラスであるODE Processs for Network Dynamics (NDP4ND)を紹介する。 提案手法はデータと計算効率に優れており,未確認のネットワークに適応できることを示す。
  論文  参考訳（メタデータ） (2023-10-25T08:44:05Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• A Neural Active Inference Model of Perceptual-Motor Learning [62.39667564455059]
  アクティブ推論フレームワーク(英: active inference framework、AIF)は、現代の神経科学を基盤とした、有望な新しい計算フレームワークである。 本研究では,ヒトの視覚行動指導において,AIFが期待する役割を捉える能力をテストする。 本稿では,多次元世界状態から自由エネルギーの一次元分布にマッピングする先行関数の新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-11-16T20:00:38Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• Unveiling the role of plasticity rules in reservoir computing [0.0]
  Reservoir Computing (RC) は機械学習において魅力的なアプローチである。 我々は,RCの性能向上につながる変化に対して,塑性規則が果たす役割を分析する。
  論文  参考訳（メタデータ） (2021-01-14T19:55:30Z)
• Adaptive Reinforcement Learning through Evolving Self-Modifying Neural Networks [0.0]
  強化学習(RL)の現在の手法は、特定の時間間隔で反射した後にのみ新しい相互作用に適応する。 最近の研究は、バックプロパゲーションを用いて訓練された単純なRLタスクの性能を向上させるために、ニューラルネットワークに神経修飾塑性を付与することでこの問題に対処している。 ここでは,四足歩行におけるメタラーニングの課題について検討する。 その結果、自己修飾プラスチックネットワークを用いて進化したエージェントは、複雑なメタ学習タスクに適応し、グラデーションを使って更新された同じネットワークよりも優れていることが示される。
  論文  参考訳（メタデータ） (2020-05-22T02:24:44Z)

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。