論文の概要: Co2In: a Bi-level Memory Incremental Learning Framework with Knowledge Encoding, Consolidation, and Integration

• arxiv url: http://arxiv.org/abs/2610.21804v1
• Date: Thu, 15 Oct 2026 12:54:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.082803
• Title: Co2In: a Bi-level Memory Incremental Learning Framework with Knowledge Encoding, Consolidation, and Integration
• Title（参考訳）: Co2In:知識エンコーディング、統合、統合を備えた双方向メモリインクリメンタルラーニングフレームワーク
• Abstract要約: インクリメンタルラーニング(IL)は、学習した情報を保持しつつ、新たな知識を継続的に獲得することを目的としている。 可塑性と安定性のバランスを取ることは、インテリジェントシステムにとって重要な課題である。 本稿では、知識エンコーディング、統合、統合(Co2In)を備えたILフレームワークを紹介する。
• 参考スコア（独自算出の注目度）: 17.753518096087166
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Incremental learning (IL) aims to continually acquire new knowledge (plasticity) while retaining previously learned information (stability). However, striking a balance between plasticity and stability remains a significant challenge for intelligent systems. The human brain achieves exceptional balance, owing to various memory units that collaboratively encode and store information. Inspired by human memory mechanisms, this paper introduces an IL framework with knowledge enCoding, Consolidation, and Integration (Co2In). Co2In is designed as a bi-level memory architecture: a working memory for adaptive knowledge acquisition and a long-term memory dedicated to the persistent retention of information. The two memory modules work cooperatively during IL. The working memory first learns from new data to encode knowledge into parameters. Subsequently, Co2In performs a consolidation process to identify underlying patterns in the learned parameters and re-express them into a compact knowledge representation. Next, the knowledge representation and the identified patterns are transformed into separate network layers and integrated into the long-term memory. These designs empower Co2In to accumulate knowledge with high plasticity and stability. We evaluate Co2In on CIFAR-10, CIFAR-100, and Tiny-ImageNet under exemplar-free Class-IL and Task-IL settings. Experimental results show that Co2In achieves state-of-the-art performance with efficient memory consumption.
• Abstract（参考訳）: インクリメンタルラーニング(IL)は、学習済みの情報(安定性)を維持しつつ、新たな知識(塑性)を継続的に獲得することを目的としている。 しかし、可塑性と安定性のバランスを崩すことは、インテリジェントシステムにとって重要な課題である。 人間の脳は、情報を共同でエンコードし保存する様々なメモリユニットのために、例外的なバランスを達成する。 本稿では,人間の記憶機構に触発されて,知識をエンコード,統合,統合(Co2In)するILフレームワークを提案する。 Co2Inは、二段階記憶アーキテクチャとして設計されており、適応的知識獲得のためのワーキングメモリと、情報の持続的保持専用の長期記憶である。 2つのメモリモジュールはIL中に協調動作する。 ワーキングメモリは、まず新しいデータから学習し、知識をパラメータにエンコードする。 その後、Co2Inは、学習パラメータの根底にあるパターンを特定し、それらをコンパクトな知識表現に再表現する統合プロセスを実行する。 次に、知識表現と識別されたパターンを別々のネットワーク層に変換し、長期記憶に統合する。 これらの設計により、Co2Inは高い可塑性と安定性で知識を蓄積できる。 CIFAR-10, CIFAR-100, Tiny-ImageNetにおけるCo2Inの評価を行った。 実験結果から,Co2Inは高効率なメモリ消費で最先端の性能を実現することがわかった。

関連論文リスト

• A Lightweight Plastic-Memory Framework for Graph Few-Shot Class-Incremental Learning [10.755774952656436]
  本稿では,グラフのインクリメンタル学習に特化して設計された,軽量なプラスチックメモリフレームワークを提案する。 既存の技術とは対照的に、我々のメモリモジュールは軽量かつ効果的であり、革新的なマイクロクラスタリング構造を特徴としている。 このメモリモジュール上に構築されたメモリ駆動型メタラーニングフレームワークは,外ループにおける初期タスクの安定性を維持しつつ,内部ループにおける新しいタスクへの適応性を向上する。
  論文  参考訳（メタデータ） (2026-09-22T07:17:16Z)
• AutoMem: Automated Learning of Memory as a Cognitive Skill [63.07128029793901]
  記憶の専門知識は学習したスキルであることを示す。 メモリ管理の2つの軸を自動化するフレームワークであるAutoMemを紹介する。 その結果,メモリ管理は独立して学習可能なスキルであることが示唆された。
  論文  参考訳（メタデータ） (2026-07-01T17:57:03Z)
• CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension [55.29309306566238]
  現在のLarge Language Models (LLM) は、長文文書を解釈する際に圧倒的な情報量に直面している。 この課題は、バニラLSMを自律的な読み出しエージェントに高めることができる凝集性メモリモジュールの必須性を高める。 我々はジャン・ピアジェの構成主義理論(Constructivist Theory)からインスピレーションを得て、エージェントメモリの3つの特性(構造化スキーマ、フレキシブルな同化、動的調節)を表現した。
  論文  参考訳（メタデータ） (2025-10-07T02:16:30Z)
• RoboMemory: A Brain-inspired Multi-memory Agentic Framework for Interactive Environmental Learning in Physical Embodied Systems [41.89907261427986]
  エージェントは、部分的可観測性、空間的推論の制限、高速なマルチメモリ統合など、現実世界の環境において永続的な課題に直面している。 本稿では, 空間, 時間, エピソディック, セマンティックメモリを並列化して, 効率的な長期計画と対話型環境学習を実現する, 脳にインスパイアされたフレームワークであるRoboMemoryを紹介する。 EmbodiedBenchの実験によると、Qwen2.5-VL-72B-Ins上に構築されたRoboMemoryはベースラインを25%上回り、クローズドソース(SOTA)のGemini-1.5を超えている。
  論文  参考訳（メタデータ） (2025-08-02T15:39:42Z)
• MemOS: A Memory OS for AI System [116.87568350346537]
  大規模言語モデル(LLM)は、人工知能(AGI)にとって不可欠な基盤となっている。 既存のモデルは、主に静的パラメータと短命なコンテキスト状態に依存しており、ユーザの好みを追跡したり、長い期間にわたって知識を更新する能力を制限する。 MemOSはメモリを管理可能なシステムリソースとして扱うメモリオペレーティングシステムである。
  論文  参考訳（メタデータ） (2025-07-04T17:21:46Z)
• A Framework for Inference Inspired by Human Memory Mechanisms [9.408704431898279]
  本稿では,知覚,記憶,推論の構成要素からなるPMIフレームワークを提案する。 メモリモジュールは、ワーキングメモリと長期メモリから構成され、後者は、広範囲で複雑なリレーショナル知識と経験を維持するために、高次構造を備えている。 我々は、bAbI-20kやSolt-of-CLEVRデータセットのような質問応答タスクにおいて、一般的なTransformerとCNNモデルを改善するためにPMIを適用します。
  論文  参考訳（メタデータ） (2023-10-01T08:12:55Z)
• CogNGen: Constructing the Kernel of a Hyperdimensional Predictive Processing Cognitive Architecture [79.07468367923619]
  神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。 我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
  論文  参考訳（メタデータ） (2022-03-31T04:44:28Z)

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。