論文の概要: Reproducible macroscopic dynamics in a closed-loop human-AI learning system

• arxiv url: http://arxiv.org/abs/2608.30946v1
• Date: Mon, 31 Aug 2026 15:17:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.466182
• Title: Reproducible macroscopic dynamics in a closed-loop human-AI learning system
• Title（参考訳）: 閉ループ型ヒューマンAI学習システムにおける再現可能なマクロダイナミックス
• Abstract要約: 閉ループヒトAIシステムは、集団動力学が不明な行動軌道を生成する。 モデルフィッティングの前にセマンティックな順序変数を定義し、ユーザ不随のコホートでそれらをテストする。 我々は、経験力学、解釈可能なメカニズム、ニューラルネットワークをリンクする外部に固定された先行方向有効場を同定する。
• 参考スコア（独自算出の注目度）: 7.194389573952499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Closed-loop human-AI systems generate high-dimensional behavioural trajectories whose collective dynamics remain obscure. Using 297,915 learners' adaptive-tutoring histories, we define semantic order variables before model fitting and test them in user-disjoint cohorts. The state exhibits reproducible basin-like flow and operationally defined, state-heterogeneous metastable-like kinetics. A construction-matched null distinguishes normalised-memory relaxation from a reproducible excess field. A four-term conditional mechanism recovers population drift (r = 0.946; learner-bootstrap 95% CI, 0.935-0.955). Predictive event-level self-supervised learning recovers the state and learned-plane flow; null-referenced corrections retain directional, partial-amplitude excess-field structure without full calibration. Shuffled-order training reverses learned-plane flow on ordered trajectories; support-alignment randomisation selectively reduces inward transport. Both axes remain linearly accessible without state supervision. Without cross-model fitting, the models share leading population drift (r = 0.866; learner-bootstrap 95% CI, 0.857-0.875) and persistence ordering; residual directions remain model-specific. These results identify an externally anchored leading-order effective field linking empirical dynamics, an interpretable mechanism and neural computation.
• Abstract（参考訳）: 閉ループ型人間-AIシステムは、集合力学が不明瞭な高次元の挙動軌道を生成する。 297,915人の学習者の適応学習履歴を用いて,モデルの適合前にセマンティックオーダー変数を定義し,ユーザ不随なコホートでテストする。 州は再現可能な盆地のような流れを示し、操作的に定義された状態不均一な準安定的な運動学を示す。 構成整合ヌルは、正規化されたメモリ緩和と再現可能な余剰場を区別する。 4つの条件機構は人口移動を回復させる(r = 0.946、学習者のブートストラップ 95% CI, 0.935-0.955)。 予測的事象レベルの自己教師型学習は状態と学習面の流れを回復する。 シャッフルオーダートレーニングは、順序付けられた軌道上の学習面の流れを逆転させ、サポートアライメントランダム化は内向き輸送を選択的に減少させる。 どちらの軸も州の監督なしに直線的にアクセス可能である。 クロスモデルフィッティングがなければ、モデルは主要な人口移動(r = 0.866、学習者のブートストラップ95%CI、0.857-0.875)と持続順序を共有し、残留方向はモデル固有のままである。 これらの結果は、経験力学、解釈機構、ニューラル計算をリンクする外部に固定された先行方向の有効場を同定する。

関連論文リスト

• Out-of-distribution Neural Inference in Dynamical Ising Models [0.30586855806896035]
  データ駆動型トレーニングは、トポロジと温度変化の下で異なる統計戦略を生成することを示す。 高い分布精度と明らかな分布外分布は、必ずしも学習された動的構造規則を暗示するとは限らない。 本結果は,物理逆問題における標準データ駆動学習の具体的な障害モードを同定する。
  論文  参考訳（メタデータ） (2026-07-03T07:31:30Z)
• Covariance-Regulated Recursive Koopman Learning for Nonlinear Systems with Uncertain Time-Varying Dynamics [25.933323260176167]
  本稿では,2つの相補的戦略を持つ共分散型再帰的クープマン学習(CR-RKL)フレームワークを提案する。 CR-RKLは数値的に安定かつ正確なオンラインモデリングを実現し、モデル予測制御に組み込むと、不確実な時間変化のダイナミクスの下で信頼性の高いトラッキング性能を維持する。
  論文  参考訳（メタデータ） (2026-06-13T14:22:24Z)
• On the Limits of Self-Improving in LLMs and Why AGI, ASI and the Singularity Are Not Near Without Symbolic Model Synthesis [0.01269104766024433]
  我々は,大規模言語モデル(LLM)における自己学習と生成AIを離散時間力学系として定式化する。 1) 有限サンプリング効果が分布多様性の単調な損失(モード崩壊)を引き起こすエントロピー減衰と,(2) 外部グラウンドの損失がモデルの真理表現をランダムウォークとして漂流させる変数増幅の2つの基本的障害モードを導出する。
  論文  参考訳（メタデータ） (2026-01-05T19:50:49Z)
• Departures: Distributional Transport for Single-Cell Perturbation Prediction with Neural Schrödinger Bridges [51.83259180910313]
  遺伝子機能解析における大きなボトルネックは、単細胞データの未成熟の性質である。 我々は、SB(Schrdinger Bridge)を近似して、単セル摂動データに対処する。 本モデルは,異種単一セル応答を効果的に捉え,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2025-11-17T08:27:13Z)
• Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
  非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。 Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。 Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
  論文  参考訳（メタデータ） (2025-10-30T16:11:39Z)
• On the Impossibility of Retrain Equivalence in Machine Unlearning [43.39599739799909]
  機械学習は、モデルの出力に関する特定のトレーニングデータの"影響"を選択的に除去しようとする。 理想的なゴールは、保持されたデータのみに基づいて、スクラッチからトレーニングされたモデルと同一のトレーニング等価性である。 現代のパイプラインは、しばしば多段階のトレーニングを伴い、各ステージは異なるデータ分散と目的を持っている。
  論文  参考訳（メタデータ） (2025-10-18T19:58:31Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows [13.540998552232006]
  本研究では,人間の運転行動確率分布の多様性とテール量子化を正確に把握する学習モデルの問題点を考察する。 この設定に2つのフレキシブルな量子学習フレームワークを適用し、強い分布仮定を避ける。 我々は1ステップの加速予測タスクと複数ステップのドライバーシミュレーションのロールアウトでアプローチを評価した。
  論文  参考訳（メタデータ） (2023-05-22T15:09:04Z)
• 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。