Vector Symbolic Algebras(VSA)의 연속 도메인 확장인 Spatial Semantic Pointer(SSP)는 변수를 연속 토러스 다양체에 매핑하지만, 기존 Flow Matching의 유클리드 기하학 가정이 다양체 내부를 가로지르는 선형 보간으로 위상·크기 구조를 파괴하는 문제가 있다. 이를 해결하기 위해 SSP 토러스 다양체에 리만 운송 동역학을 적용한 Geodesic Flow Matching을 제안하고, Spiking Neural SLAM 시스템에서 기준 대비 추적 오차 72% 감소와 신경 효율 40% 향상을 달성했다.
- •기존 Flow Matching의 유클리드 선형 보간이 SSP 토러스 다양체 내부를 '가로질러' 위상·크기 구조를 파괴하는 문제를 규명했다.
- •Geodesic Flow Matching은 노이즈 제거 흐름을 SSP 토러스 다양체에 엄격히 제한해 정확한 디코딩에 필요한 구조를 보존한다.
- •Spiking Neural SLAM 시스템에서 기준 대비 추적 오차 72% 감소, 신경 효율 40% 향상이라는 뚜렷한 성능 개선을 확인했다.
- •코드는 https://github.com/kremHabashy/CleanupSSP 에 공개되어 신경기호 SLAM 연구 재현이 가능하다.
Geodesic Flow Matching for Denoising High-Dimensional Structured Representations
- 1.고차원 표현 잡음 제거
- 2.VSAs 기반 신경 기호 추론
- 3.SSPs 프레임워크 확장
왜 중요한가?
고차원 데이터의 잡음 제거 및 구조화된 표현 학습은 신경 기호 추론의 강건성을 높여 AI가 복잡한 정보를 더 효과적으로 처리하고 이해하는 데 기여합니다. 이는 인지 AI 발전에 중요한 역할을 합니다.
본문 미리보기
arXiv:2606.00248v1 Announce Type: new Abstract: Vector Symbolic Algebras (VSAs) enable robust neurosymbolic reasoning by encoding symbolic information into high-dimensional distributed representations. For continuous domains, Spatial Semantic Pointers (SSPs) extend this framework by mapping variables onto continuous toroidal manifolds. However, standard approaches like Flow Matching assume a flat Euclidean geometry, which fails to account for the geometric constraints imposed on valid SSP state
전체 내용이 궁금하다면?
원문을 직접 읽어보세요