論文の概要: PRAXIS: Learning Dynamics of Self-Improving Models with Symbolic Archives

• arxiv url: http://arxiv.org/abs/2610.11803v1
• Date: Thu, 08 Oct 2026 12:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.017268
• Title: PRAXIS: Learning Dynamics of Self-Improving Models with Symbolic Archives
• Title（参考訳）: PRAXIS:シンボリックアーカイブを用いた自己改善モデルの学習ダイナミクス
• Abstract要約: 我々は、ジェネレータ、学習者、シンボルアーカイブを相互作用する動的プロセスとしてモデル化する、共進化的なフレームワークであるtextscPRAXISを紹介する。 我々は,KL制約付きジェネレータの更新と1ステップの目標ドリフトの制御により,ガウス以下の雑音勾配下での持続的な累積効用優位性を有する固定コンパレータに対して,アーカイブ更新がプログラムを抑圧することを証明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-improving learning systems adapt data selection, optimization, and auxiliary symbolic components, inducing nonstationary objectives outside standard learning assumptions. We introduce \textsc{PRAXIS}, a co-evolutionary framework that models generators, learners, and symbolic archives as interacting dynamical processes. We prove that KL-constrained generator updates and controlled archive-weight movement bound one-step objective drift, that archive updates suppress a program relative to any fixed comparator with a persistent cumulative utility advantage under sub-Gaussian noise, and that stochastic gradient descent achieves an average-stationarity guarantee whose degradation is governed by cumulative objective drift. Experiments across visual robustness, relational graph reasoning, and algorithmic graph reasoning exhibit generator stabilization, decreasing learner loss, and archive concentration consistent with these theoretical mechanisms.
• Abstract（参考訳）: 自己改善学習システムは、データ選択、最適化、補助的記号成分に適応し、標準学習仮定以外の静止的目的を誘導する。 本稿では,ジェネレータ,学習者,記号アーカイブを対話的動的プロセスとしてモデル化する,共進化的フレームワークである‘textsc{PRAXIS} を紹介する。 我々は,KL制約付きジェネレータの更新と1ステップの目標ドリフトの制御,ガウス雑音下での持続的な累積有効性を持つ固定コンパレータに対するプログラムのアーカイブ更新,および,劣化が累積目標ドリフトによって支配される平均定常性保証を達成することを証明する。 視覚的ロバスト性、リレーショナルグラフ推論、アルゴリズムグラフ推論による実験は、ジェネレータの安定化、学習者損失の低減、これらの理論機構と整合したアーカイブ濃度を示す。

関連論文リスト

• Symbolic Neural ODEs: Learning interpretable models from time-series data [0.0]
  時系列データから動的システムのスパースで解釈可能なモデルを特定するための機械学習フレームワークを提案する。 本稿では,ニューラルネットワークを用いて基礎となるベクトル場をパラメータ化し,有限地平線上の多段階予測損失を最小限に抑えて学習する。 多段階学習は, 長期統計特性において, 高精度な短期力学と強い一致を持つモデルが得られることを示す。
  論文  参考訳（メタデータ） (2026-08-22T21:31:07Z)
• Adaptive Latent Trajectory Anchoring for Action Segmentation Dataset Condensation [53.60856261088647]
  本稿では,凝縮パラダイムを最適化に基づく逆転から決定論的潜在写像へシフトすることを提案する。 動作セグメントをノイズ多様体のスパース潜在点に固定された連続軌跡として表現する。 我々のフレームワークは,共通データセット間でのセグメンテーション性能において,最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-07-10T04:00:26Z)
• Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
  繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。 本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
  論文  参考訳（メタデータ） (2026-06-21T12:14:11Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Causal Parametric Drift Simulation: A Digital Twin Framework for Classifier Robustness Evaluation [0.0]
  動的環境における機械学習の分類器は、コンセプトドリフトに直面している。 構造因果モデルを用いて既存のドリフト検出を補完するフレームワークをDigital Twinsとして提案する。 我々の手法であるCausal Parametric Drift Simulation, stress-tests classifications to identify vulnerabilities before deployment。
  論文  参考訳（メタデータ） (2026-05-10T17:28:49Z)
• Improving Long-Range Interactions in Graph Neural Simulators via Hamiltonian Dynamics [71.53370807809296]
  最近のグラフニューラルシミュレータ(GNS)は、グラフ構造化データ上での動的学習によりシミュレーションを加速する。 ハミルトン力学の原理に基づいて構築されたグラフベースニューラルネットワークであるIGNS(Information-serving Graph Neural Simulator)を提案する。 IGNSは最先端のGNSを一貫して上回り、挑戦的で複雑な力学系の下で高い精度と安定性を達成する。
  論文  参考訳（メタデータ） (2025-11-11T12:53:56Z)
• Automating the Discovery of Partial Differential Equations in Dynamical Systems [0.0]
  適応型ラッソを用いてスパースレグレッションを利用して自動的にPDEを識別するARGOSフレームワークARGOS-RALの拡張を提案する。 各種ノイズレベルおよびサンプルサイズの下での標準PDEの同定におけるARGOS-RALの性能を厳格に評価した。 以上の結果から,ARGOS-ALはデータから基礎となるPDEを効果的かつ確実に同定し,ほとんどの場合において逐次しきい値リッジ回帰法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-04-25T09:23:03Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Accelerated Continuous-Time Approximate Dynamic Programming via Data-Assisted Hybrid Control [0.0]
  本研究では,アクター・クリティックな構造に動的運動量を組み込んだアルゴリズムを導入し,アフィン構造を入力とする連続時間動植物を制御する。 アルゴリズムに動的運動量を導入することにより、閉ループ系の収束特性を加速することができる。
  論文  参考訳（メタデータ） (2022-04-27T05:36:51Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。