論文の概要: Where Does Randomness Matter in Neural Cellular Automata?

• arxiv url: http://arxiv.org/abs/2609.36797v1
• Date: Tue, 29 Sep 2026 06:07:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.227306
• Title: Where Does Randomness Matter in Neural Cellular Automata?
• Title（参考訳）: ニューラルセルオートマタにおけるランダム性はなぜ重要か?
• Abstract要約: 非同期トレーニングは,3/10同期実行と比較して,10/10実行で短時間の質テストに合格することを示す。 ランダムマスキングは平均モードを減衰させるが、分散を注入する。 その結果、最適化の信頼性、実行モード、タスク固有の振る舞いを1つの安定性特性として扱うのではなく区別した。
• 参考スコア（独自算出の注目度）: 6.75323183938864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic cell updates are often used throughout the life of a neural cellular automaton (NCA), from backpropagation through time to final rollout. This leaves two questions entangled: does update randomness help learn a useful rule, and must that randomness remain at execution? We separate training and evaluation update modes in controlled Growing NCA experiments, then vary the states shown during training. Under the standard constant-rate persist recipe, asynchronous training passes the short-horizon quality test in 10/10 runs, compared with 3/10 synchronous runs. All ten asynchronous models also retain the target for 4,096 steps under deterministic evaluation. For a scalar translation-invariant lattice, we derive an exact mean-square criterion: random masking can damp mean modes, but it also injects variance, and a mean-only test misclassifies four non-marginal settings. Finally, among 30 models that all pass the same reconstruction test, eight of ten grow-trained models become off-target at 4,096 steps, while all persist and regenerate models retain the target; damage recovery separates persist from regenerate. The results distinguish optimization reliability, execution mode, and task-specific behavior instead of treating them as one stability property.
• Abstract（参考訳）: 確率的な細胞のアップデートは、後部増殖から最終ロールアウトまで、神経細胞オートマトン(NCA)の生涯を通してしばしば使用される。 更新ランダム性は有用なルールを学習するのに役立ち、そのランダム性は実行時に残りますか? 制御型成長型NCA実験では,トレーニングモードと評価モードを分離し,トレーニング中の状態を変化させる。 標準の定数レート持続レシピでは、非同期トレーニングは3/10同期実行と比較して、10/10実行で短時間の水平品質テストに合格する。 10の非同期モデルはすべて、決定論的評価の下で4,096ステップの目標も保持している。 スカラー変換不変格子に対して、ランダムマスキングは平均モードを減衰させるが、分散を注入し、平均限定テストは4つの非正則な設定を誤分類する。 最終的に、同じ再現試験に合格した30モデルのうち、成長訓練を受けた10モデルのうち8モデルが4,096ステップで目標外となり、全てのモデルが継続再生され、損傷回復は再生から切り離される。 その結果、最適化の信頼性、実行モード、タスク固有の振る舞いを1つの安定性特性として扱うのではなく区別した。

関連論文リスト

• Residual-Guided Randomized Neural Networks [7.698602367824994]
  ランダム化されたニューラルネットワークは、隠れた層パラメータへの入力をランダムに固定し、出力重みをクローズドな形式で学習することで、高速で分析可能なトレーニングを可能にする。 本稿では, 隠蔽層を閉鎖型残留劣化基準を用いてグリード的に構築する, 簡易かつ広範に適用可能な残留ガイド法を提案する。 提案した残差誘導モデルが,精度,安定性,総合ランク付け性能において,ベースラインモデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-08-28T12:30:08Z)
• UpgradeBench: A Decision-Centric Benchmark for Upgrading Fine-Tuned LLM Specialists [10.23869027501654]
  4つの連続したQwenリリースをカバーする決定駆動型縦断ベンチマークであるUpgradeを提示する。 アップグレードは、新しいチェックポイントが、固定準備された専門家のパフォーマンスを改善するかどうか、バージョン間での資産移動、そして、リカバリリソースが使用可能なものかどうか、という3つの中核的な疑問を解消する。
  論文  参考訳（メタデータ） (2026-08-21T09:37:47Z)
• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• Alteron: A Tool for Behavioral Regression Testing Across NLP Classifier Versions [0.3823356975862005]
  進化する自然言語処理(NLP)モデルを評価することは、更新全体の信頼性の高い動作を保証する上で重要である。 標準ベンチマークのメトリクスは、バージョン間でモデル動作がどのように変化するかを完全には捉えていない。 メタモルフィックテストを用いて,NLPモデルバージョン間での行動回帰を検出するツールであるAlteronを提案する。
  論文  参考訳（メタデータ） (2026-07-31T15:48:31Z)
• Fixed-Horizon Self-Normalized Inference for Adaptive Experiments via Martingale AIPW/DML with Logged Propensities [0.0]
  適応的な割り当ての下では、確率は変化し続けるため、AIPW/DMLインクリメントの予測可能な2次変動はランダムのままである。 本研究では,2次変動によって推定される偏差が,分散安定化を伴わずとも条件的に誤校正されていることを示す。
  論文  参考訳（メタデータ） (2026-02-17T13:12:31Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)

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。