論文の概要: Engram Neuron Inspired Adaptive Memorization for Lifelong Learning

• arxiv url: http://arxiv.org/abs/2610.14940v1
• Date: Sat, 10 Oct 2026 14:11:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 03:18:23.709444
• Title: Engram Neuron Inspired Adaptive Memorization for Lifelong Learning
• Title（参考訳）: Engram Neuronによる生涯学習のための適応記憶
• Abstract要約: 本稿では,パラメータの更新を規制し,メモリ管理をガイドする,勾配表現から構造化メモリを構築するフレームワークを提案する。 提案手法は, 生涯学習能力, 長期タスクシーケンスの安定性, 柔軟な適応性を示す。
• 参考スコア（独自算出の注目度）: 18.924469770452117
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lifelong learning enables artificial systems to adapt to changing environments. To achieve this, an effective artificial learner should dynamically reorganize past and new experiences, maintaining stability while enabling flexible knowledge integration. However, existing efforts primarily mitigate catastrophic forgetting, lacking the ability to adaptively update memory akin to biological systems. Here, by integrating the full memory life cycle of engram neurons into artificial learners, we propose a framework that constructs a structured memory from gradient representations, which regulates parameter updates and guides memory management. Through comprehensive evaluations on four benchmarks, our approach shows promising lifelong learning capability, maintaining stability over long task sequences and supporting flexible adaptation. Beyond the performance gains, our approach offers a computational perspective on robust and flexible lifelong learning, echoing mechanisms observed in biological memory systems.
• Abstract（参考訳）: 生涯学習により、人工システムは変化する環境に適応できる。 これを実現するために、効果的な人工学習者は、柔軟に知識の統合を可能にしつつ、安定性を維持しつつ、過去と新しい体験を動的に再編成する必要がある。 しかし、既存の取り組みは主に破滅的な忘れを軽減し、生物学的システムに似たメモリを適応的に更新する能力が欠如している。 そこで我々は,ニューロンの完全なメモリライフサイクルを人工学習者に組み込むことで,勾配表現から構造化メモリを構築するフレームワークを提案し,パラメータの更新を規制し,メモリ管理を指導する。 提案手法は,4つのベンチマークを総合的に評価することにより,生涯学習能力の向上,長期タスクシーケンスの安定性の維持,柔軟な適応支援を実現している。 性能向上の他に,本手法は生体記憶システムで観測されるリフレッシュでフレキシブルな生涯学習,エコー機構の計算的視点を提供する。

関連論文リスト

• Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
  大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。 既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。 MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
  論文  参考訳（メタデータ） (2026-05-01T14:45:20Z)
• PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
  既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。 PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。 既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
  論文  参考訳（メタデータ） (2025-10-12T10:34:35Z)
• Memory-Augmented Transformers: A Systematic Review from Neuroscience Principles to Enhanced Model Architectures [4.942399246128045]
  記憶は知性の基本であり、生物学的および人工システム間の学習、推論、適応性を可能にする。 トランスフォーマーはシーケンスモデリングにおいて優れているが、長距離コンテキスト保持、連続学習、知識統合において制限に直面している。 このレビューでは、動的多時間記憶、選択的注意、統合など、神経科学の原則をブリッジする統一的な枠組みを提示する。
  論文  参考訳（メタデータ） (2025-08-14T16:48:38Z)
• Semi-parametric Memory Consolidation: Towards Brain-like Deep Continual Learning [59.35015431695172]
  本稿では,半パラメトリックメモリと覚醒・睡眠統合機構を統合したバイオミメティック連続学習フレームワークを提案する。 提案手法は,実世界の挑戦的連続学習シナリオにおいて,先行知識を維持しつつ,新しいタスクにおけるディープニューラルネットワークの高性能維持を可能にする。
  論文  参考訳（メタデータ） (2025-04-20T19:53:13Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• Incorporating Neuro-Inspired Adaptability for Continual Learning in Artificial Intelligence [59.11038175596807]
  継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。 既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。 本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:43:58Z)

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。