論文の概要: Brain-Inspired Hierarchical Modularity for General Continual Learning
- arxiv url: http://arxiv.org/abs/2609.25146v1
- Date: Mon, 21 Sep 2026 07:07:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.045121
- Title: Brain-Inspired Hierarchical Modularity for General Continual Learning
- Title（参考訳）: 一般連続学習のための脳誘発階層的モジュール性
- Abstract要約: 継続的な学習は、変化する環境で動作するインテリジェントシステムの中心である。
本稿では,専門家の専門化とアンサンブル統合を通じて両関数を協調する階層的モジュラー原理を提案する。
提案手法は,オンラインおよび不確実なデータストリーム下での学習を継続的に改善する。
- 参考スコア（独自算出の注目度）: 29.53238102843477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Continual learning, the ability to learn from sequential experience while retaining and adapting prior knowledge, is central to intelligent systems operating in changing environments. However, conventional continual learning is typically studied with offline task-wise training and clear task boundaries, leaving a substantial gap from general continual learning under online, uncertain, and evolving data streams. In this regime, intelligent systems must separate conflicting experience to reduce interference while integrating compatible experience to promote generalization. Inspired by the organization of the Drosophila learning and memory system, we identify a hierarchical modular principle that coordinates both functions through expert specialization and ensemble integration. We instantiate this principle as lightweight modular adaptation of pretrained foundation models, combining brain-inspired random expansion for expert routing and diversified modular integration across spatial and temporal scales. Across visual recognition, vision-language understanding, ego-exo video understanding, and embodied vision-language-action learning, our method consistently improves learning under online and uncertain data streams, with gains exceeding 50 percentage points over replay-free alternatives in embodied manipulation. These findings support hierarchical modularity as a biologically grounded path for learning from dynamic experience.
- Abstract（参考訳）: 逐次的な経験から学び、事前の知識を維持し、適応する能力である継続的学習は、変化する環境で動作するインテリジェントシステムの中心である。
しかし、従来の連続学習は、通常、オフラインのタスクワイドトレーニングとクリアなタスク境界を用いて研究され、オンライン、不確実、進化するデータストリームの下での一般的な連続学習とはかなりのギャップを残している。
この体制では、知的システムは干渉を減らすために矛盾する経験を分離し、また一般化を促進するために互換性のある経験を統合する必要がある。
ショウジョウバエの学習・記憶システムの組織化にインスパイアされた我々は、専門家の専門化とアンサンブル統合を通じて両方の機能を協調する階層的なモジュラー原理を特定した。
我々は、この原理を、事前訓練された基礎モデルの軽量なモジュラー適応として、専門家のルーティングのために脳にインスパイアされたランダムな拡張と、空間的および時間的スケールで多角化されたモジュラー統合を組み合わせたものとみなす。
視覚認識,視覚言語理解,エゴ・エクソビデオ理解,具体化学習などを通じて,オンラインおよび不確実なデータストリーム下での学習を継続的に改善し,組込み操作におけるリプレイフリーの代替よりも50ポイント以上向上した。
これらの知見は、動的経験から学ぶための生物学的基盤となる階層的モジュラリティを支持する。
関連論文リスト
- Dynamic Mixture of Latent Memories for Self-Evolving Agents [57.20419419302731]
MoLEMは、動的混合(MoE)に基づく潜在メモリフレームワークの生成混合物である。
我々は、数学、科学、コードドメインにまたがる連続的な学習シーケンスに基づいて、このフレームワークを訓練する。
連続学習を完了した後、Vanilla事前学習ベースラインよりも平均精度を10.40%向上させる。
論文 参考訳（メタデータ） (2026-05-21T03:35:10Z) - Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science [79.50667364149979]
自律学習における現在のAIモデルの限界を批判的に検討し、人間と動物の認知に触発された学習アーキテクチャを提案する。
提案フレームワークは、内部的に生成されたメタ制御信号(システムM)の関数として、観察(システムA)からの学習と活動行動(システムB)からの学習を統合し、これらの学習モードを柔軟に切り替える。
論文 参考訳（メタデータ） (2026-03-16T14:54:56Z) - Nested Learning: The Illusion of Deep Learning Architectures [57.41377373511876]
我々はNested Learning(NL)と呼ばれる新しい学習パラダイムを提案する。
表現的一般化は、実際には、深い記憶と/またはより強力な学習規則を持つ一般化である。
本稿では、長期記憶の伝統的な視点を一般化するメモリシステムのための新しい連続体を提案する。
論文 参考訳（メタデータ） (2025-12-31T07:59:43Z) - Composite Learning Units: Generalized Learning Beyond Parameter Updates to Transform LLMs into Adaptive Reasoners [0.0]
連続学習が可能な学習者へ推論器を変換する複合学習ユニット(CLU)を導入する。
CLUは、動的知識リポジトリの保守と進化を可能にするアーキテクチャ上に構築されている。
我々は暗号推論タスクを通じてCLUの有効性を実証し、フィードバックを通じて理解を継続的に進化させ、隠れた変換規則を明らかにする。
論文 参考訳（メタデータ） (2024-10-09T02:27:58Z) - Dual Cognitive Architecture: Incorporating Biases and Multi-Memory
Systems for Lifelong Learning [21.163070161951868]
本稿では,複数のサブシステム,暗黙的かつ明示的な知識表現,帰納的バイアス,マルチメモリシステムを含むDual Cognitive Architecture(DUCA)を紹介する。
DUCAはさまざまな設定やデータセットにまたがって改善を示し、余分な情報を必要とせずにタスクの遅延バイアスを低減している。
分散シフトが困難な場合の生涯学習手法の汎用性をさらに検証するため,ドメイン・インクリメンタル・データセットDN4ILを導入する。
論文 参考訳（メタデータ） (2023-10-17T15:24:02Z) - Incorporating Neuro-Inspired Adaptability for Continual Learning in
Artificial Intelligence [59.11038175596807]
継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。
既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。
本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
論文 参考訳（メタデータ） (2023-08-29T02:43:58Z) - Generalized Reinforcement Learning: Experience Particles, Action
Operator, Reinforcement Field, Memory Association, and Decision Concepts [2.398608007786179]
本稿では,ベイズ風の一般強化学習フレームワークを提案する。
まず,不確実性や流動挙動に対処するためのパラメトリック・アクション・モデルを構築した。
次に,学習者の作業記憶に保持される「偏極化経験粒子」によって確立された物理に着想を得た構成体として,強化場の概念を導入する。
論文 参考訳（メタデータ） (2022-08-09T15:05:15Z) - Learning Fast, Learning Slow: A General Continual Learning Method based
on Complementary Learning System [13.041607703862724]
本稿では,新しいデュアルメモリエクスペリエンス再生(ER)法であるCLS-ERを提案する。
決定境界を意味記憶と整合させながら、新たな知識を得る。
提案手法は,標準ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2022-01-29T15:15:23Z) - A Combinatorial Perspective on Transfer Learning [27.7848044115664]
モジュラーソリューションの学習によって、目に見えない分散データと潜在的に異なる分散データの両方を効果的に一般化することができるかを検討する。
タスクセグメンテーション,モジュール型学習,メモリベースアンサンブルの組み合わせによって,指数関数的に増加する多くの未確認タスクの一般化がもたらされる。
論文 参考訳（メタデータ） (2020-10-23T09:53:31Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳（メタデータ） (2020-07-07T08:34:48Z)
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。