Emotion-Gradient Metacognitive RSI (Part I): Theoretical Foundations and Single-Agent Architecture

要約

感情勾配のメタ認知的再帰的自己改善（EG-MRSI）フレームワークを提示します。これは、内省的なメタ認知、感情に基づく本質的な動機、および再帰的自己修正を統一された理論システムに統合する新しいアーキテクチャです。
このフレームワークは、正式に境界のあるリスクの下で独自の学習アルゴリズムを上書きすることができます。
Noise-to-Meaning RSI（N2M-RSI）Foundationに基づいて、EG-MRSIは、自信、エラー、斬新さ、累積的な成功に駆動される微分可能な内因性報酬機能を導入します。
この信号は、メタ認知マッピングと、証明可能な安全メカニズムによって制約される自己修正演算子の両方を調節します。
初期エージェントの構成、感情勾配のダイナミクス、およびRSIトリガー条件を正式に定義し、エージェントの開発軌跡を導く補強互換互換の最適化目標を導き出します。
意味密度と意味変換効率は、セマンティック学習の定量化可能なメトリックとして導入され、内部構造と予測的な情報性のギャップを埋めます。
このパートIペーパーでは、EG-MRSIの単一エージェントの理論的基礎を確立します。
将来のパーツは、このフレームワークを拡張して、安全証明書とロールバックプロトコル（パートII）、集合的知能メカニズム（パートIII）、および熱力学および計算制限（パートIV）を含む実現可能性の制約を含めます。
一緒に、EG-MRSIシリーズは、オープンエンドおよび安全なAGIの厳密で拡張可能な基盤を提供します。

要約(オリジナル)

We present the Emotion-Gradient Metacognitive Recursive Self-Improvement (EG-MRSI) framework, a novel architecture that integrates introspective metacognition, emotion-based intrinsic motivation, and recursive self-modification into a unified theoretical system. The framework is explicitly capable of overwriting its own learning algorithm under formally bounded risk. Building upon the Noise-to-Meaning RSI (N2M-RSI) foundation, EG-MRSI introduces a differentiable intrinsic reward function driven by confidence, error, novelty, and cumulative success. This signal regulates both a metacognitive mapping and a self-modification operator constrained by provable safety mechanisms. We formally define the initial agent configuration, emotion-gradient dynamics, and RSI trigger conditions, and derive a reinforcement-compatible optimization objective that guides the agent’s development trajectory. Meaning Density and Meaning Conversion Efficiency are introduced as quantifiable metrics of semantic learning, closing the gap between internal structure and predictive informativeness. This Part I paper establishes the single-agent theoretical foundations of EG-MRSI. Future parts will extend this framework to include safety certificates and rollback protocols (Part II), collective intelligence mechanisms (Part III), and feasibility constraints including thermodynamic and computational limits (Part IV). Together, the EG-MRSI series provides a rigorous, extensible foundation for open-ended and safe AGI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google