論文の概要: Active Neural Matter: A Finite-Window Response Framework for Physical Systems and Distributed AI Workflows

• arxiv url: http://arxiv.org/abs/2610.14549v1
• Date: Sat, 10 Oct 2026 04:15:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.065643
• Title: Active Neural Matter: A Finite-Window Response Framework for Physical Systems and Distributed AI Workflows
• Title（参考訳）: Active Neural Matter: 物理システムと分散AIワークフローのための有限風応答フレームワーク
• Abstract要約: 物理システムと分散AIは過去の情報を保持し、遅延したフィードバックを受け取り、競合する信号を組み合わせることができる。 Active Neural Matterは、有限ウィンドウ応答フレームワークを通じてこの問題に対処する。 ANMは応答予測と測定可能な情報要求を結合する。
• 参考スコア（独自算出の注目度）: 0.16741831494720968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physical systems and distributed AI workflows can retain past information, receive delayed feedback and combine conflicting signals. These features pose a common modeling problem: determining what information about past interactions a state must retain to account for future responses. Active Neural Matter (ANM) addresses this problem through a finite-window response framework. Forward analysis uses each system's dynamics to predict state and output responses to perturbations, separating propagation from output sensitivity. Inverse analysis tests whether a candidate state retains enough information for these responses. With the system and future inputs or interaction rules fixed, distinguishable responses from histories assigned the same state identify distinctions the representation must preserve. Their distributional separation gives a lower bound on the worst-case error of approximating behavior from that state. Uncertainty bounds distinguish rejection, support within a fixed tolerance on tested comparisons, and unresolved cases. Delayed-consensus simulations check analytical predictions of response amplitude and phase over a narrow range of delays; flocking illustrates dependence on the chosen observable. An exact delayed-return construction establishes a sufficient state for a specified program. The AI studies identify distinctions in interaction history and evidence order that a representation must preserve to reproduce observed response distributions. Tests on new histories in a controlled feedback task provide bounded support for a state specified by the task instructions; the instructed rule predicts every observed action. ANM connects response prediction to measurable information requirements, separating behavioral fidelity from task correctness and initial-state adequacy from a closed evolution law for that state.
• Abstract（参考訳）: 物理システムと分散AIワークフローは過去の情報を保持し、遅延したフィードバックを受け取り、競合する信号を組み合わせることができる。 これらの特徴は、ある状態が将来の応答を考慮に入れなければならない過去の相互作用に関する情報を決定する、共通のモデリング問題を引き起こす。 Active Neural Matter (ANM) は有限ウィンドウ応答フレームワークを通じてこの問題に対処する。 フォワード分析では、各システムのダイナミクスを用いて、摂動に対する状態と出力の応答を予測し、出力感度から伝搬を分離する。 逆解析は、候補状態がこれらの応答に十分な情報を保持するかどうかをテストする。 システムと将来の入力やインタラクションルールが固定された場合、ヒストリーからの識別可能な応答は同じ状態に割り当てられ、表現が保持しなければならない区別が割り当てられる。 その分布分離は、その状態から挙動を近似する最悪のケースエラーに低い境界を与える。 不確実性境界は、拒絶、テストされた比較に対する一定の許容範囲内のサポート、未解決ケースを区別する。 遅延コンセンサスシミュレーションは、限られた遅延範囲で応答振幅と位相の分析的予測をチェックする。 正確な遅延復帰構成は、指定されたプログラムに十分な状態を確立する。 AI研究は、相互作用の歴史における区別と、観察された応答分布を再現するために表現を保存しなければならないというエビデンス命令を識別する。 制御されたフィードバックタスクにおける新しい履歴に関するテストは、タスク命令によって指定された状態に対する境界付きサポートを提供する。 ANMは、応答予測と測定可能な情報要件を結合し、タスクの正しさと初期状態の妥当性を、その状態に対する閉じた進化法則から分離する。

関連論文リスト

• Behavioural self-monitoring for autonomous earth observation agents: The attribute reliability monitor (ARM) [51.56484100374058]
  この研究は、個々のセマンティック属性を評価するために時間をかけて疑念の証拠を蓄積するフレームワークである属性信頼性モニター(ARM)を導入している。 ARMは異なる検出器と時間モニタリング方法に対応し、介入ポリシーを消費システムに残す。 衛星熱赤外画像のための特殊な視覚言語モデルを用いて初期実装を評価した。
  論文  参考訳（メタデータ） (2026-10-13T15:25:41Z)
• AID: A Framework for AI Infrastructure Dynamics [0.10152838128195464]
  AI推論インフラストラクチャの有用なモデルでは、システム状態、オブザーバに利用可能な情報、モデルがサポートする決定を指定する必要がある。 本稿では,この学習問題を物理,計算,ネットワーク,サービスプロセスにまたがって記述するフレームワークであるAIDを紹介する。
  論文  参考訳（メタデータ） (2026-10-03T23:01:48Z)
• Training and Inference Dynamics of PLDR-LLMs: Row-Map Collapse, Renormalization, and Predictive Reduction [0.5076419064097734]
  モノグラフは、パワーロー・デコーダ表現言語モデル(PLDR-LLM)におけるトレーニングと推論の統一的な説明を開発する 厳密な有限作業恒等性は、行中心の学習マップの絶対エネルギーの変化をパラメータ寄与、署名された相互作用、数値的な観察欠陥に分解する。 実験では、オブザーバと依存を明らかにし、テストされた自律行状態候補を拒否し、有限条件予測と状態固有の演算子還元をサポートする。
  論文  参考訳（メタデータ） (2026-09-28T02:08:53Z)
• When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments [0.0]
  シーケンシャルな実験のために因果型の規律を定式化する。 圧縮バイアスの条件共分散特性を設計関連状態に対する生成表現の置換に適用する。 改良が設計関連情報を保持する上で有効であることを示し、一方、設計消去、漏洩、同一データマーカーの選択はバイアスや隠蔽をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2026-09-15T19:24:40Z)
• When Are Neural Interaction Discoveries Real? Identifiability, Recoverability, and a Pre-Fit Diagnostic [0.0]
  これは基本的には、観測された入力支援の幾何学によって支配される識別可能性の問題である。 表現能力が識別可能でないことを示す。 相互作用の回復性はサポート幾何学に依存することを示す。
  論文  参考訳（メタデータ） (2026-06-07T00:52:43Z)
• A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
  離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。 最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。 そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
  論文  参考訳（メタデータ） (2025-06-10T12:41:26Z)
• Bisimulation Learning [55.859538562698496]
  我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。 提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
  論文  参考訳（メタデータ） (2024-05-24T17:11:27Z)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)

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。