2026年04月03日
## 要約：
本研究は、限られたメモリ容量内で過去の経験を忘れずに新しい経験を取り込むエージェントの学習フレームワークを提案します。このフレームワークは、メモリをパラメータベクトルとしてではなく確率過程として扱い、過去の経験を圧縮・付加・平滑化することで効率的に実現します。分析結果からは、記憶の保持期間が線形に増加することが示され、理論的な解釈も提示されています。
---
## 翻訳：
本論文では、固定されたメモリ容量内で新しい経験を取り込みつつ、古い経験を忘れないエージェントの学習問題に取り組んでいます。そのために、メモリをパラメータベクトルではなく、リプレイ間隔[0,1]におけるブリッジ拡散という確率過程として定義します。新しい経験は、3ステップの「圧縮・付加・平滑化」（CAS）再帰によって取り込まれます。ガウス混合モデルを用いたモデルでテストし、時間計算量は1日あたりO(LKd^2)となり、バックプロパゲーション、保存されたデータ、ニューラルネットワークを必要としないため、軽量なハードウェアでも実現可能です。忘却はパラメータの干渉ではなく、時間的な圧縮損失によって引き起こされます。保持半減期は、定数c（ダイナミクスに依存するが、混合複雑さK、次元d、ターゲットファミリーの幾何学とは無関係）によってLに線形に比例します。この定数cは、シャノンの通信路容量に類似した情報理論的な解釈を受け入れます。ブリッジの基となる確率過程は、エージェントの履歴の圧縮された物語である「映画」のようなリプレイを提供し、MNIST潜在空間のイラストで視覚的に示されます。このフレームワークは、忘却のメカニズム、レート、形式を数学的に精密に研究できる、完全な分析的「イジングモデル」の継続学習を提供します。
[📰 原文はこちら](https://arxiv.org/abs/2604.00067)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
