テレオダイナミック学習：解釈可能なAIの新しいパラダイム

テレオダイナミック学習を導入します。これは機械学習の新しいパラダイムであり、学習は固定目的の最小化ではなく、制約の下での機能的組織の出現と安定化です。生命系に触発されたこのフレームワークは、知性を三つの量の結合した進化として捉えます。すなわち、システムが表現できるもの、パラメータをどのように適応させるか、内部リソースをどれだけ維持できるか、の三つです。我々は学習を、二つの相互作用する時間スケールを持つ制約付きダイナミカルプロセスとして形式化します。内側のダイナミクスは連続的なパラメータ適応、外側のダイナミクスは離散的構造変化を指し、それらは軌跡を形成する内生的リソース変数によって結びつけられ、すなわち軌跡によっても形作られ、軌跡によっても形作られます。この視点は、標準的な最適化が自然には捉えきれない三つの現象を明らかにします。外部の停止規則なしの自己安定化、過小構造化からテレオダイナミックな成長を経て過構造化へと移行する位相構造的学習ダイナミクス、凸性ではなく情報幾何学に基づく収束保証です。私たちはこのフレームワークを Distinction Engine (DE11) に具体化しました。DE11 はスペンサー＝ブラウンの形式の法則、情報幾何学、トロピカル最適化に根ざしたテレオダイナミック学習者です。標準的なベンチマークでは、DE11 は IRIS で 93.3%、WINE で 92.6%、乳がんデータセットで 94.7% のテスト精度を達成し、手作業で課されるのではなく学習ダイナミクスから内生的に生じる解釈可能な論理規則を生成します。より広く見れば、テレオダイナミック学習は正則化、アーキテクチャ探索、リソース制約下の推論を一つの原理の下に統合します。すなわち、制約の下での構造、パラメータ、およびリソースの共進化としての学習です。これは適応的で解釈可能かつ自己組織化AIへの熱力学的に根拠づけられた道を開きます。