論文の概要: AIBL: Augmented Instance-Based Learning with Structured Memory and Neural Embeddings

• arxiv url: http://arxiv.org/abs/2610.03413v1
• Date: Fri, 02 Oct 2026 15:00:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.433466
• Title: AIBL: Augmented Instance-Based Learning with Structured Memory and Neural Embeddings
• Title（参考訳）: AIBL: 構造化メモリとニューラルネットワークによる拡張インスタンスベースの学習
• Abstract要約: インスタンスベース学習理論(IBLT)は、辞書のような形式における記号的知識表現に依存している。 学習ベクトル空間で定式化されたインスタンス学習モデルであるAIBL(Augmented Instance-Based Learning)を導入する。 5つの機械学習タスクと3つの制御されたシミュレーションタスクにおいて、同じ実装を評価する。
• 参考スコア（独自算出の注目度）: 11.286007591536075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequential learning systems often make decisions from accumulated experience while receiving high-dimensional inputs whose distribution may change over time. Instance-Based Learning Theory (IBLT) provides a principled case-based framework for such settings through stored situation-decision-utility instances, partial matching, activation, and blending. IBLT relies on symbolic knowledge representation in dictionary-like formats, but text, images, transaction vectors, and user-item histories often require learned similarity rather than hand-specified matching rules. In this paper, we introduce AIBL (Augmented Instance-Based Learning), an instance-learning model formulated in a learned vector space for high- dimensional sequential data. AIBL generalizes symbolic situation matching to neural embedding similarity while retaining instance storage, activation- weighted retrieval, and utility blending. The AIBL model organizes memory into active, forgotten, and surprise stores. Surprise memory separates weakly matched, possible out-of-distribution, or corner-case observations from active memory, reducing forced fitting to the nearest available cases. An observation-driven graduation algorithm promotes recurring surprise instances to active memory, allowing the memory to incorporate repeated novel patterns that may arise under concept drift. We evaluate the same implementation on five machine learning tasks and three controlled simulation tasks, comparing AIBL with classical IBLT variants and task-specific baselines where appropriate. AIBL improves accuracy by 6 to 17 percentage points. The results show where vector-space retrieval improves over symbolic matching and how the added memory mechanisms govern novelty detection, cold-start handling, drift adaptation, and reward learning under the tested protocols.
• Abstract（参考訳）: 逐次学習システムは、時間とともに分布が変化する可能性のある高次元入力を受けながら、蓄積された経験から意思決定をすることが多い。 インスタンスベースの学習理論(IBLT)は、格納された状況決定ユーティリティインスタンス、部分マッチング、アクティベーション、ブレンディングを通じて、そのような設定のための原則化されたケースベースフレームワークを提供する。 IBLTは辞書のような形式での記号的知識表現に頼っているが、テキスト、画像、トランザクションベクトル、ユーザー・イテムの履歴は、しばしば手指定のマッチング規則よりも学習された類似性を必要とする。 本稿では,高次元逐次データのための学習ベクトル空間で定式化されたインスタンス学習モデルであるAIBL(Augmented Instance-Based Learning)を紹介する。 AIBLは、インスタンスストレージ、アクティベーション重み付き検索、ユーティリティブレンディングを維持しながら、ニューラルネットワークの埋め込み類似性にマッチする象徴的な状況を一般化する。 AIBLモデルは、メモリをアクティブで、忘れられ、サプライズストアに整理する。 サプライズメモリは、弱い一致、可能なアウト・オブ・ディストリビューション、またはコーナーケースの観察をアクティブメモリから分離し、最も近いケースへの強制的適合を減少させる。 観測駆動型卒業アルゴリズムは、繰り返し発生するサプライズインスタンスをアクティブメモリに促進し、コンセプトドリフトの下で発生する可能性のある新しいパターンを記憶に組み込む。 5つの機械学習タスクと3つの制御されたシミュレーションタスクにおける同じ実装を評価し、AIBLと古典的IBLT変種とタスク固有のベースラインを適切に比較した。 AIBLは精度を6～17ポイント向上する。 その結果、ベクトル空間の検索は、シンボルマッチングよりも改善され、追加のメモリ機構が、テストプロトコル下での新規性検出、コールドスタート処理、ドリフト適応、報酬学習をどのように制御するかを示した。

関連論文リスト

• GoTTA be Diverse: Rethinking Memory Policies for Test-Time Adaptation [54.70334474895361]
  テスト時間適応(TTA)は、事前訓練されたモデルが、分散シフトの下でラベルのないテストストリームにオンラインで適応できるようにする。 ほとんどのTTA研究は適応の目的に焦点を当てているが、実用的なストリームはどのサンプルが適応を駆動するかを選択するのに使用されるメモリにも大きく依存している。 本稿では,クラスバランスアロケーションと特徴空間の多様性を組み合わせた多様性を考慮したメモリポリシーであるGOTTAについて紹介する。
  論文  参考訳（メタデータ） (2026-05-19T14:18:46Z)
• Benchmarking local Hebbian learning rules for memory storage and prototype extraction [0.0]
  連想メモリ(英: Associative memory)は、コンピュータ科学や情報処理において重要なコンポーネント機能である。 非モジュラリカレントネットワークとモジュールリカレントネットワークで使用される7つのヘビーン学習規則の連想記憶関数をベンチマークする。
  論文  参考訳（メタデータ） (2026-05-01T20:15:32Z)
• Learning from Supervision with Semantic and Episodic Memory: A Reflective Approach to Agent Adaptation [11.819481846962447]
  本研究では,事前訓練された大規模言語モデル上に構築されたエージェントが,パラメータ更新なしでラベル付き例からターゲット分類関数を学習する方法について検討する。 我々のフレームワークは、エピソードメモリを使用して、インスタンスレベルの批判を保存し、それらを再利用可能なタスクレベルのガイダンスに蒸留する。 我々の研究は、より適応的で解釈可能なLLMエージェントを構築するためのメモリ駆動型反射学習の可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-10-22T17:58:03Z)
• Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
  バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。 本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD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） (2024-10-24T09:09:20Z)
• Benchmarking Hebbian learning rules for associative memory [0.0]
  連想記憶は認知と計算の脳科学における重要な概念である。 ストレージ容量とプロトタイプ抽出に関する6つの異なる学習ルールをベンチマークする。
  論文  参考訳（メタデータ） (2023-12-30T21:49:47Z)
• A Memory Transformer Network for Incremental Learning [64.0410375349852]
  本研究では,モデルが学習する時間とともに,新しいデータクラスが観察される学習環境であるクラスインクリメンタルラーニングについて検討する。 素直な問題定式化にもかかわらず、クラス増分学習への分類モデルの素直な適用は、これまで見られたクラスの「破滅的な忘れ込み」をもたらす。 これは、過去のデータのサブセットをメモリバンクに保存し、将来のタスクをトレーニングする際の忘れの防止にそれを活用することで、破滅的な忘れの問題を克服するものだ。
  論文  参考訳（メタデータ） (2022-10-10T08:27:28Z)
• A Model or 603 Exemplars: Towards Memory-Efficient Class-Incremental Learning [56.450090618578]
  CIL(Class-Incremental Learning)は、この要件を満たすために、限られたメモリサイズでモデルをトレーニングすることを目的としている。 モデルサイズを総予算にカウントし,メモリサイズに整合する手法を比較すると,保存モデルは常に機能しないことを示す。 本稿では,メモリ効率のよい拡張可能なMOdelのための MEMO という,シンプルで効果的なベースラインを提案する。
  論文  参考訳（メタデータ） (2022-05-26T08:24:01Z)
• Learning to Learn Variational Semantic Memory [132.39737669936125]
  我々はメタラーニングに変分セマンティックメモリを導入し、数ショットラーニングのための長期的知識を得る。 セマンティックメモリはスクラッチから成長し、経験したタスクから情報を吸収することで徐々に統合される。 アドレスコンテンツから潜在記憶変数の変動推論としてメモリリコールを定式化する。
  論文  参考訳（メタデータ） (2020-10-20T15:05:26Z)
• 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)
• Fase-AL -- Adaptation of Fast Adaptive Stacking of Ensembles for Supporting Active Learning [0.0]
  本研究は,Active Learning を用いて非ラベルのインスタンスで分類モデルを誘導する FASE-AL アルゴリズムを提案する。 このアルゴリズムは、正しく分類されたインスタンスの割合で有望な結果を得る。
  論文  参考訳（メタデータ） (2020-01-30T17:25:47Z)

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。