計算へのアクセスを学習する：適応知能の原理としてのアクセシビリティ・プラスティシティ

本論文はZhaowen Fan氏によって執筆され、2026年7月23日にarXivに提出されました（論文ID: 2607.22748）。提出は2026年7月23日09:48:11 UTCに行われました。全22ページ、6つの図、2つの表から構成され、機械学習（cs.LG）、人工知能（cs.AI）、神経進化計算（cs.NE）の分野に分類されます。本研究の中心的な貢献は、「アクセシビリティ・プラスティシティ（Accessibility Plasticity）」という適応計算の原理を導入したことです。この原理は、計算能力（computational capability）と計算アクセシビリティ（computational accessibility）を独立した適応変数として明確に区別します。現在のニューラルネットワークの適応は、主に事前定義された計算構造内のパラメータ修正に依存しています。近年、モジュール性、条件付き計算、パラメータ効率的な適応などの手法が登場していますが、それらは一般的に計算アクセシビリティを独立した次元として扱っていません。本研究では、システムが存在する計算を変更するだけでなく、既存の計算が互いに相互作用し参加する方法を再編成することで適応することを提案します。研究者たちは、関係ベースの操作実現を通じてアクセシビリティ・プラスティシティを形式化し、コストの高い能力変更や構造変更よりもアクセシビリティ変更を優先する「再利用優先」の適応階層を確立しました。逐次学習タスクにおける概念実証評価の結果、アクセシビリティ適応は、同等のタスク性能を維持しながら能力修正を削減できることが示されました。これらの結果は、アクセシビリティが独立した適応次元であることを示唆し、環境変化に応じて計算関係が進化する将来の動的ニューラルシステムの基盤を提供します。また、この原理は継続学習や転移学習などの分野での応用が期待され、限られたリソースや動的な環境下で計算アクセシビリティを優先的に調整することにより、より効率的で柔軟なAIシステムの構築が可能になります。今後の研究では、大規模ネットワークや実世界アプリケーションへの拡張が探求される予定です。本論文はarXiv.orgのデータサポートを受けており、Bibliographic ExplorerやConnected Papersなどの参考文献・引用ツールが利用可能です。