Fugu-MT 論文翻訳(概要): Recursion, evolution and conscious self

論文の概要: Recursion, evolution and conscious self

arxiv url: http://arxiv.org/abs/2001.11825v4
Date: Mon, 24 Apr 2023 14:59:21 GMT
ステータス: 処理完了
システム内更新日: 2023-04-26 01:57:08.406706
Title: Recursion, evolution and conscious self
Title（参考訳）: 再帰、進化、意識
Authors: A.D. Arvanitakis
Abstract要約: 我々は、ほぼ自動である学習理論、すなわち、初期プログラミングの最小限しか必要としない学習理論について研究する。結論は生物学と神経科学の両方の科学的発見と一致する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce and study a learning theory which is roughly automatic, that is, it does not require but a minimum of initial programming, and is based on the potential computational phenomenon of self-reference, (i.e. the potential ability of an algorithm to have its program as an input). The conclusions agree with scientific findings in both biology and neuroscience and provide a plethora of explanations both (in conjunction with Darwinism) about evolution, as well as for the functionality and learning capabilities of human brain, (most importantly), as we perceive them in ourselves.
Abstract（参考訳）: 自己参照の潜在的な計算現象(すなわち、そのプログラムを入力として持つアルゴリズムの潜在的な能力)に基づいて、大まかに自動的な学習理論、すなわち、初期プログラミングの最小の必要のない学習理論を導入し、研究する。結論は生物学と神経科学の両方の科学的知見と一致し、進化に関する(ダーウィン主義と合わせて)多くの説明と、人間の脳の機能と学習能力の両方を提供する。

関連論文リスト

Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
論文参考訳（メタデータ） (2024-03-07T15:12:06Z)
A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
論文参考訳（メタデータ） (2024-02-16T18:05:09Z)
Evolution-Bootstrapped Simulation: Artificial or Human Intelligence: Which Came First? [0.9790236766474201]
自然選択による進化によって駆動される世界では、ニューラルネットワークや人間が最初に進化する可能性は高いのか? ニューラルネットワークは人間よりもはるかにシンプルです。ニューラルネットワークが存在するためには、複雑な人為的な機器が存在しない。
論文参考訳（メタデータ） (2024-01-06T21:06:58Z)
Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文参考訳（メタデータ） (2023-12-01T05:20:57Z)
A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文参考訳（メタデータ） (2023-10-14T23:28:48Z)
Applications of the Free Energy Principle to Machine Learning and Neuroscience [0.0]
我々は、自由エネルギー原理にインスパイアされた手法を機械学習と神経科学の2つの重要な分野に適用する。我々は、自由エネルギー原理から派生した神経生物学的に妥当なプロセス理論である予測符号化に焦点を当てる。第2に、変動メッセージパッシングによる行動の神経生物学的根拠である能動推論について検討する。最後に, 生物学的に有効な脳内クレジット代入法について検討した。
論文参考訳（メタデータ） (2021-06-30T22:53:03Z)
Applying Deutsch's concept of good explanations to artificial intelligence and neuroscience -- an initial exploration [0.0]
深層学習におけるドイツの難しい原則と、より形式化された原則とどのように関連しているかを調査します。私たちは、人間の脳を見ることで、知能でどのように難しい説明が果たす役割を見ます。
論文参考訳（メタデータ） (2020-12-16T23:23:22Z)
Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文参考訳（メタデータ） (2020-11-30T18:29:25Z)
Learning a Deep Generative Model like a Program: the Free Category Prior [2.088583843514496]
私たちのフォーマリズムは、ニューラルネットワークが確率プログラムのプリミティブとして機能することをどのように可能にしているかを示します。私たちのフォーマリズムは、ニューラルネットワークが確率プログラムのプリミティブとして機能することをどのように可能にしているかを示します。
論文参考訳（メタデータ） (2020-11-22T17:16:17Z)
Machine Common Sense [77.34726150561087]
機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
論文参考訳（メタデータ） (2020-06-15T13:59:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。