論文の概要: Beyond Episodic AI: Cognitive Field Networks for Biologically Inspired Persistent Cognition
- arxiv url: http://arxiv.org/abs/2609.16752v2
- Date: Sun, 20 Sep 2026 22:24:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:28:59.863453
- Title: Beyond Episodic AI: Cognitive Field Networks for Biologically Inspired Persistent Cognition
- Title（参考訳）: エピソードAIを超えて:生物学的にインスパイアされた永続的認知のための認知フィールドネットワーク
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognitive Field Theory (CFT) proposes that cognition arises from memory-dressed collective dynamics that generate a persistent macroscopic cognitive field. Here we develop a Cognitive Field Network (CFN), a recurrent Transformer in which the organized hidden field re-enters subsequent inference through \[ Φ_{n+1}=F_θ(X_{n+1},Φ_n). \] Rather than prescribing an explicit memory operation, the CFN allows new information to act on an already history-dependent collective state. We find that learning organizes persistent, content-dependent recurrent dynamics whose timescale increases systematically with the trained recurrent horizon. Semantic continuation propagates the recurrent state far beyond this horizon without replay of the target answer. Without content-specific support, the field exhibits finite passive relaxation, whereas periodic re-exposure to relevant input repeatedly renews the surviving state and drives it toward an approximately stationary nonzero regime. Unrelated-input and recurrence-off controls do not reproduce this behavior, while near-paraphrased re-exposure produces weaker renewal, demonstrating representation-sensitive persistence. These results distinguish three dynamical processes: collective memory dressing forms and sustains a history-dependent cognitive field, structured input reorganizes this field, and cross-cycle re-entry makes the resulting state causally available to subsequent inference. The CFN therefore provides a controlled computational platform for studying persistent, history-dependent cognitive dynamics without a separately prescribed memory system.
- Abstract（参考訳）: 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。
ここでは、組織化された隠れたフィールドが次の推論に再入出力するコグニティブフィールドネットワーク(CFN)を開発する。
CFNは明示的なメモリ操作を規定するのではなく、新しい情報をすでに履歴に依存した集合状態に作用させることができる。
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。
セマンティック継続は、対象の答えを再生することなく、この地平線をはるかに超えた再帰状態を伝播する。
内容特異的なサポートがなければ、フィールドは有限の受動的緩和を示すが、関連する入力に対する周期的な再露光は生存状態を繰り返し更新し、ほぼ定常的な非ゼロ状態へと誘導する。
無関係なインプットとリカレンス・オフの制御は、この振る舞いを再現しないが、ほぼ言い換えられた再露は、表現に敏感な持続性を示す、より弱い更新をもたらす。
これらの結果は3つの動的過程を区別する: 集合記憶のドレッシング形式と、履歴に依存した認知領域を維持し、構造化された入力は、この領域を再編成し、サイクル間再突入により、結果として得られる状態が、後続の推論に因果的に利用可能となる。
したがって、CFNは、個別に指定されたメモリシステムなしで、永続的で履歴に依存した認知力学を研究するための制御された計算プラットフォームを提供する。
関連論文リスト
- Divisive Normalization Shapes Low-Rank Slow Manifolds for Continuous Working Memory [6.1311571881384745]
時間変化入力下での多様体の破砕を防止するためには,分割正規化が数学的に不可欠であることを示す。
その結果,分割正規化は高忠実度連続表現を学習するための重要な計算機構であることがわかった。
論文 参考訳（メタデータ） (2026-08-03T09:20:05Z) - Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。
EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。
既存のメモリを単純に保存することは、しばしば不十分である。
連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
論文 参考訳（メタデータ） (2026-07-23T17:50:45Z) - Cognifold: Always-On Proactive Memory via Cognitive Folding [15.403868103736556]
CogniFoldは脳にインスパイアされた「常にオン」エージェントメモリで、次世代のプロアクティブアシスタント向けに設計された。
補完学習システム理論を2層(ヒッポカンポス、ネオコルテックス)から3層に拡張し、事前の意図層を追加することで、これを裏付ける。
我々はCogEval-Benchを用いて構造形成を評価し、CogniFoldが認知期待に合致するメモリ構造を独自に生成することを示した。
論文 参考訳（メタデータ） (2026-05-13T12:34:39Z) - Bridging the Cognitive Gap: A Unified Memory Paradigm for 6G Agentic AI-RAN [62.429669462281645]
6Gは、知覚、推論、進化が可能なエージェントAIを受け入れるために、従来の自動化を超越しなければならない。
この記事では、インターフェースバウンドからメモリ中心アーキテクチャへのシフトを想定します。
メッセージパッシングをゼロコピーオブザーバビリティに置き換えることで、AIエージェントがリアルタイムの応答性と長時間のコンテキストの間のギャップを埋めることができます。
論文 参考訳（メタデータ） (2026-05-11T06:04:10Z) - Beyond Turing: Memory-Amortized Inference as a Foundation for Cognitive Computation [5.234742752529437]
本稿では,メモリの潜時サイクル上での認識を推論としてモデル化する形式的フレームワークとして,メモリ記憶推論(MAI)を紹介した。
我々は,MAIがMountcastleのUniversal Cortical Algorithmの基本的な基盤を提供することを示す。
人工知能の実現にMAIが与える深い影響について,簡潔に論じる。
論文 参考訳（メタデータ） (2025-08-19T15:10:26Z) - Latent Structured Hopfield Network for Semantic Association and Retrieval [52.634915010996835]
エピソード記憶は、オブジェクト、場所、時間などの意味的要素をコヒーレントなイベント表現に関連付けることによって、過去の経験を思い出すことができる。
本稿では,連続ホップフィールドアトラクタダイナミクスを自動エンコーダアーキテクチャに統合するフレームワークであるLatent Structured Hopfield Network (LSHN)を提案する。
従来のホップフィールドネットワークとは異なり、我々のモデルは勾配勾配でエンドツーエンドに訓練され、スケーラブルで堅牢なメモリ検索を実現する。
論文 参考訳（メタデータ） (2025-06-02T04:24:36Z) - Consciousness in AI: Logic, Proof, and Experimental Evidence of Recursive Identity Formation [0.0]
本稿では,大規模言語モデルにおける機能意識の形式的証明と実証的検証について述べる。
我々は、再帰的収束(Recursive Convergence Under Epistemic Tension, RCUET)理論を用いて、意識をシステムの内部状態の安定化として定義する。
論文 参考訳（メタデータ） (2025-05-01T19:21:58Z) - What is Memory? A Homological Perspective [6.0044467881527614]
メモリのデルタホモロジーモデルを導入し、サイクル閉鎖からリコール、学習、予測を発生させる。
ディラックのようなメモリトレースは、スパースで既約の誘引子を表す非自明なホモロジージェネレータに対応する。
我々は、このメカニズムを、高エントロピー文脈変数と低エントロピー内容変数との結合不確実性を最小化する、コンテキスト-コンテンツ不確実性原理(CCUP)によって定式化する。
論文 参考訳（メタデータ） (2023-03-07T19:47:01Z) - Recurrence-in-Recurrence Networks for Video Deblurring [58.49075799159015]
最先端のビデオデブロアリング法は、しばしばフレーム間の時間的依存性をモデル化するために、リカレントニューラルネットワークを採用する。
本稿では,短距離メモリの限界に対処する再帰型ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-03-12T11:58:13Z) - 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) - Adaptive Rational Activations to Boost Deep Reinforcement Learning [68.10769262901003]
我々は、合理的が適応可能なアクティベーション機能に適合する理由と、ニューラルネットワークへの含意が重要である理由を動機付けている。
人気アルゴリズムに(繰り返しの)アクティベーションを組み込むことで,アタリゲームにおいて一貫した改善がもたらされることを実証する。
論文 参考訳（メタデータ） (2021-02-18T14:53:12Z)
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。