論文の概要: MetaLearnNCA: Few-Shot Offline Meta-Learning via Interacting Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2610.08479v1
• Date: Tue, 06 Oct 2026 14:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.065054
• Title: MetaLearnNCA: Few-Shot Offline Meta-Learning via Interacting Neural Cellular Automata
• Title（参考訳）: MetaLearnNCA:ニューラルセルオートマタによるオフラインメタラーニング
• Abstract要約: MetaLearnNCAはタスク適応をActive-NCAに分解し、連続した2次元空間プログラムでタスク推論を実行する。 この結果から, 分散セルダイナミクスから, 頑健で, 勾配のない学習から学習への学習が可能であることが確認された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot meta-learning traditionally formulates task adaptation either as analytical gradient descent through unrolled computational graphs or as metric-based distance comparisons over flattened 1D fea- ture vectors, which either incur costly test-time backpropagation or discard native 2D spatial geometry. In this work, we propose METALEARNNCA, a decentralized framework that achieves few-shot adapta- tion through the dynamical interaction of coupled Neural Cellular Automata (NCAs) without computing analytical gradients during inference. MetaLearnNCA decomposes task adaptation into an Active- NCA, which executes task inference conditioned on a continuous 2D spatial memory grid termed the spatial program, and a learned Meta-NCA, which acts as a decentralized cellular optimizer by diffusing spatial error residuals across local neighborhoods to dynamically update this program. METALEARN- NCA is competitive against canonical meta-learners in-distribution (96.12% on Omniglot) with Out-Of- Distribution transfer gains on MNIST, KMNIST, and Fashion-MNIST transfer across 10 independent testing seeds across 1-, 5-, and 10-shot regimes (e.g., surpassing Prototypical Networks by +10.54% on 10-shot MNIST and a +3.87% gain on 10-shot Fashion-MNIST over FOMAML). Our results establish that robust, gradient-free learning-to-learn can emerge from decentralized cellular dynamics on non-von Neumann substrates.
• Abstract（参考訳）: ほとんどショットのメタラーニングは伝統的に、非ローリングな計算グラフによる解析的な勾配勾配、あるいはフラット化された1Dファアチャーベクトルに対する距離比較としてタスク適応を定式化しており、これはコストのかかるテストタイムのバックプロパゲーションやネイティブな2D空間幾何学を破棄する。 本研究では,提案する分散化フレームワークMETALEARNNCAを提案する。このフレームワークは,推論中の解析的勾配を計算せずに,結合型ニューラルセルオートマタ(NCA)の動的相互作用により,数ショットのアダプタ制御を実現する。 MetaLearnNCAは、タスク適応を、空間プログラムと呼ばれる連続的な2次元空間記憶グリッド上で条件付きタスク推論を実行するActive-NCAと、局所的に空間誤差残差を拡散して動的に更新することで分散化されたセルオプティマイザとして機能する学習されたMeta-NCAに分解する。 METALEARN- NCAは、MNIST、KMNIST、Fashion-MNISTの10個の独立した試験種子を1枚、5枚、10枚にまたがるFashion-MNIST(例えば、10ショットのMNISTでは+10.54%、FOMAMLでは+3.87%)で、標準メタラーナーの配布(Omniglotでは96.12%)と競合する。 この結果から, 非線形ノイマン基板上の分散セルダイナミクスから, 頑健で, 勾配のない学習から学習への学習が可能であることが確認された。

関連論文リスト

• Gradient-Free Continual Learning in Spiking Neural Networks via Inter-Spike Interval Regularization [4.190153363488523]
  ニューラルネットワークの動的現実環境へのデプロイには,継続的な学習が不可欠だ。 我々は,SNN連続学習のための最初の勾配なしシナプス重要度指標であるISI-CVを提案する。 スプリット-MNIST, Permuted-MNIST, Split-FashionMNIST, およびスプリット-N-MNIST の4つのベンチマークを実ダイナミックビジョンセンサ(DVS)データを用いて評価した。
  論文  参考訳（メタデータ） (2026-04-14T03:16:26Z)
• Information-Theoretic Greedy Layer-wise Training for Traffic Sign Recognition [0.5024983453990065]
  レイヤワイズトレーニングは、クロスエントロピー損失とバックプロパゲーションの必要性を排除する。 既存の階層的なトレーニングアプローチの多くは、比較的小さなデータセットでのみ評価されている。 本稿では,最近開発された決定論的情報ボトルネック(DIB)と行列に基づくR'enyiの$alpha$-orderエントロピー関数に基づく,階層的学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-31T17:24:58Z)
• NM-Hebb: Coupling Local Hebbian Plasticity with Metric Learning for More Accurate and Interpretable CNNs [0.0]
  NM-Hebbは神経刺激による局所的可塑性と遠隔監視を統合している。 フェーズ1は、クロスエントロピーの目標を共同で最適化することで、標準的な教師付きトレーニングを拡張します。 フェーズ2は、一対のメートル法学習損失でバックボーンを微調整する。
  論文  参考訳（メタデータ） (2025-08-27T13:53:04Z)
• MID-L: Matrix-Interpolated Dropout Layer with Layer-wise Neuron Selection [0.0]
  Matrix-Interpolated Dropout Layer (MID-L) は、最も情報性の高いニューロンのみを動的に選択し、活性化する。 MNIST, CIFAR-10, CIFAR-100, SVHN, UCI adult, IMDB の6つのベンチマークによる実験の結果, MID-L は活動ニューロンの55%まで減少することがわかった。
  論文  参考訳（メタデータ） (2025-05-16T16:29:19Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワーク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） (2023-02-11T21:07:30Z)
• Online Training Through Time for Spiking Neural Networks [66.7744060103562]
  スパイキングニューラルネットワーク(SNN)は、脳にインスパイアされたエネルギー効率のモデルである。 近年のトレーニング手法の進歩により、レイテンシの低い大規模タスクにおいて、ディープSNNを成功させることができた。 本稿では,BPTT から派生した SNN の時間的学習(OTTT)によるオンライントレーニングを提案する。
  論文  参考訳（メタデータ） (2022-10-09T07:47:56Z)
• Biologically Plausible Training Mechanisms for Self-Supervised Learning in Deep Networks [14.685237010856953]
  我々は,深層ネットワークにおける自己教師付き学習(SSL)のための生物学的に妥当なトレーニング機構を開発する。 バックパゲーションの2つの選択肢のうちの1つを用いて学習を行うことができることを示す。
  論文  参考訳（メタデータ） (2021-09-30T12:56:57Z)

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。