Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

Associative Learning01:27

Associative Learning

1.2K
Associative learning is a fundamental concept in behavioral psychology, wherein a connection is established between two stimuli or events, leading to a learned response. This process is critical in understanding how behaviors are acquired and modified. Conditioning, the mechanism through which associations are formed, can be divided into two main types: classical conditioning and operant conditioning, each elucidating different aspects of associative learning.
Classical conditioning, also known...
1.2K
Woodward–Hoffmann Selection Rules and Microscopic Reversibility01:34

Woodward–Hoffmann Selection Rules and Microscopic Reversibility

3.7K
Electrocyclic reactions, cycloadditions, and sigmatropic rearrangements are concerted pericyclic reactions that proceed via a cyclic transition state. These reactions are stereospecific and regioselective. The stereochemistry of the products depends on the symmetry characteristics of the interacting orbitals and the reaction conditions. Accordingly, pericyclic reactions are classified as either symmetry-allowed or symmetry-forbidden. Woodward and Hoffmann presented the selection criteria for...
3.7K
Language Development01:22

Language Development

801
Children master language quickly and with relative ease, supported by both biological predisposition and reinforcement. B. F. Skinner (1957) proposed that language is learned through reinforcement, while Noam Chomsky (1965) argued that language acquisition mechanisms are biologically determined.
The critical period for language acquisition suggests that the ability to acquire language is at its peak early in life. As people age, this proficiency decreases. Language development begins very...
801
Cognitive Learning01:21

Cognitive Learning

960
Cognitive learning is based on purposive behavior, incidental learning, and insight learning.
E. C. Tolman's theory of purposive behavior emphasizes that much behavior is goal-directed. He argued that to understand behavior, we must look at the entire sequence of actions leading to a goal. For instance, high school students study hard, not just due to past reinforcement but also to achieve the goal of getting into a good college.
Tolman introduced the idea that behavior is influenced by...
960
Retrieval01:12

Retrieval

384
Retrieval is the process of getting information out of memory storage and back into conscious awareness. This ability is essential for daily tasks like brushing hair and teeth, driving to work, and performing job duties. Retrieval occurs in three ways: recall, recognition, and relearning.
Recall involves accessing information without cues, such as during an essay test, where individuals must retrieve facts and concepts from memory unaided. Another example is remembering the name of a colleague...
384
Improving Translational Accuracy02:07

Improving Translational Accuracy

3.5K
3.5K

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Embodied cognition-driven interpretable trajectory prediction of autonomous systems.

Nature communications·2026
Same author

The value of social robots supporting informal care: a discrete choice experiment among informal caregivers.

The European journal of health economics : HEPAC : health economics in prevention and care·2026
Same author

Stochastic virtual population in type 1 diabetes.

PloS one·2026
Same author

Improving the value of population health data for health policy and decision-making using machine learning algorithms in EQ-5D-5L index estimation.

Scientific reports·2026
Same author

Bioinformatics-Inspired IMU Stride Sequence Modeling for Fatigue Detection Using Spectral-Entropy Features and Hybrid AI in Performance Sports.

Sensors (Basel, Switzerland)·2026
Same author

Decentralized Prescribed-Time Control of Robotic Arm-Finger Systems for Grasping and Moving Tasks.

IEEE transactions on cybernetics·2025

関連する実験動画

Updated: Jan 8, 2026

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

983

LLM駆動型インクリメンタル記号回帰フレームワークSR-LLM：検索拡張生成

Zelin Guo1, Siqi Wang1, Yonglin Tian2

  • 1Department of Automation, Tsinghua University, Beijing 100084, China.

Proceedings of the National Academy of Sciences of the United States of America
|December 22, 2025
PubMed
まとめ

大規模言語モデル（LLM）と検索拡張生成を用いた記号回帰（SR）は、インクリメンタル学習を可能にします。このSR-LLMフレームワークは、データから複雑で解釈可能な解析モデルを発見するために、事前知識を効果的に利用します。

キーワード:
大規模言語モデル検索拡張生成記号回帰

さらに関連する動画

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

1.2K

関連する実験動画

Last Updated: Jan 8, 2026

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
03:14

Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness

Published on: December 6, 2024

983
Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

1.2K

科学分野:

  • 人工知能
  • 機械学習
  • データサイエンス

背景:

  • 記号回帰（SR）は、データから解析モデルを発見するために重要です。
  • 既存のSRアルゴリズムは広大な探索空間に苦労しており、複雑な式の発見を制限しています。
  • 深層学習の進歩により、解析モデリングのためのSRへの関心が再燃しています。

研究 の 目的:

  • インクリメンタル学習のための大規模言語モデル（LLM）と検索拡張生成を活用した新しいSRフレームワークであるSR-LLMを導入すること。
  • 事前知識を統合することにより、複雑で解釈可能な解析式の発見を強化すること。
  • 人間による車両追従行動分析などの困難な領域にフレームワークを適用すること。

主な方法:

  • SR-LLMは、インクリメンタル学習のために検索拡張生成とLLMを統合します。
  • このフレームワークは、LLMを使用して事前情報を記号グループに構成します。
  • 深層強化学習は、これらのグループを組み合わせて複雑な解析式を形成します。

主要な成果:

  • SR-LLMは、標準的なSRベンチマークで優れたパフォーマンスを示しました。
  • このフレームワークは、経験的データから既知の車両追従モデルを正常に再発見しました。
  • 人間による車両追従行動の新しい解析モデルが発見され、有効性と解釈可能性の両方を示しました。

結論:

  • SR-LLMは、記号回帰のために事前知識と過去の探索を効率的に利用します。
  • このフレームワークは、複雑で人間が理解できる解析モデルの発見を容易にします。
  • SR-LLMは、行動分析を含むさまざまな領域での科学的発見のための強力なアプローチを提供します。