論文の概要: The Efficiency of Human Cognition Reflects Planned Information Processing

• arxiv url: http://arxiv.org/abs/2002.05769v1
• Date: Thu, 13 Feb 2020 20:34:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 13:22:00.531489
• Title: The Efficiency of Human Cognition Reflects Planned Information Processing
• Title（参考訳）: 人間の認知の効率は計画された情報処理を反映する
• Authors: Mark K. Ho, David Abel, Jonathan D. Cohen, Michael L. Littman, Thomas L. Griffiths
• Abstract要約: タスク全体の構造の関数として、人々がどのように計画し、メタプランを行うべきかを予測します。 人々の反応時間は、情報処理の計画的な利用を反映している。 計画計画のこの定式化は、人間と機械の両方における階層的計画、状態抽象化、認知制御の機能に関する新たな洞察を提供する。
• 参考スコア（独自算出の注目度）: 40.51474966524166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planning is useful. It lets people take actions that have desirable long-term consequences. But, planning is hard. It requires thinking about consequences, which consumes limited computational and cognitive resources. Thus, people should plan their actions, but they should also be smart about how they deploy resources used for planning their actions. Put another way, people should also "plan their plans". Here, we formulate this aspect of planning as a meta-reasoning problem and formalize it in terms of a recursive Bellman objective that incorporates both task rewards and information-theoretic planning costs. Our account makes quantitative predictions about how people should plan and meta-plan as a function of the overall structure of a task, which we test in two experiments with human participants. We find that people's reaction times reflect a planned use of information processing, consistent with our account. This formulation of planning to plan provides new insight into the function of hierarchical planning, state abstraction, and cognitive control in both humans and machines.
• Abstract（参考訳）: 計画は役に立つ。 長期的な効果が期待できる行動を取ることができる。 しかし、計画作りは難しい。 計算資源や認知資源を消費する結果について考える必要がある。 したがって、アクションを計画するべきですが、アクションの計画に使用するリソースのデプロイ方法についても賢明であるべきです。 別の言い方をすれば、人々は"計画"するべきです。 ここでは,計画のこの側面をメタリゾン問題として定式化し,タスク報酬と情報理論計画コストの両方を組み込んだ再帰的ベルマン目標として定式化する。 本報告では,課題の全体構造として計画とメタプランをどう扱うべきかを定量的に予測し,人間の参加者による2つの実験で検証する。 人々の反応時間は、私たちのアカウントと一致して、計画された情報処理の使用を反映している。 この計画計画の定式化は、人間と機械の両方における階層的計画、状態抽象化、認知制御の機能に関する新たな洞察を提供する。

関連論文リスト

• Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos [48.15438373870542]
  VidAssistは、インストラクショナルビデオにおけるゼロ/フェーショット目標指向の計画のために設計された統合フレームワークである。 最適な計画生成のための幅優先探索アルゴリズムを採用している。 実験によると、VidAssistは異なる目標指向の計画設定のための統一されたフレームワークを提供する。
  論文  参考訳（メタデータ） (2024-09-30T17:57:28Z)
• Intelligent Execution through Plan Analysis [11.771743106780102]
  計画は世界について仮定する。 計画を実行する場合、通常、仮定は満たされない。 代わりに私たちは、ポジティブな影響や、より良い計画を見つける機会に重点を置いています。 いくつかのパラダイム的なロボットタスクの実験は、アプローチが標準的な計画戦略よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-03-18T18:23:36Z)
• TravelPlanner: A Benchmark for Real-World Planning with Language Agents [63.199454024966506]
  我々は,旅行計画に焦点を当てた新しい計画ベンチマークであるTravelPlannerを提案する。 豊富なサンドボックス環境、400万近いデータレコードにアクセスするためのさまざまなツール、計画意図とリファレンスプランを慎重にキュレートした1,225のツールを提供する。 包括的評価では、現在の言語エージェントがそのような複雑な計画タスクを処理できないことが示されており、GPT-4でさえ0.6%の成功率しか達成できない。
  論文  参考訳（メタデータ） (2024-02-02T18:39:51Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• A Planning Ontology to Represent and Exploit Planning Knowledge for Performance Efficiency [6.87593454486392]
  我々は,エージェントを世界の初期状態から望ましい目標状態へ移動させる一連の行動を見つけることを目的として,自動計画の問題を考える。 利用可能なプランナと多様なプランナドメインが多数用意されていると仮定し、適切なプランナを特定し、ドメインのパフォーマンスを向上させるために活用できる不可欠な情報を持っている。
  論文  参考訳（メタデータ） (2023-07-25T14:51:07Z)
• Anticipatory Planning: Improving Long-Lived Planning by Estimating Expected Cost of Future Tasks [3.2872586139884623]
  家庭環境におけるサービスロボットは,高レベルのタスクを一度に一列に並べて考える。 既存のタスクプランナの多くは、次に何をするかという知識を欠いているため、それぞれのタスクを分離して解決します。 予測計画(precipatory planning)とは、グラフニューラルネットワークから予測される将来のコストを推定し、モデルに基づくタスク計画を強化する手法である。
  論文  参考訳（メタデータ） (2023-05-08T13:22:16Z)
• Achieving mouse-level strategic evasion performance using real-time computational planning [59.60094442546867]
  計画とは、脳が想像し、予測可能な未来を成立させる特別な能力である。 我々は,動物の生態が空間計画の価値をどのように支配するかという研究に基づいて,より効率的な生物学的に着想を得た計画アルゴリズムであるTLPPOを開発した。 TLPPOを用いたリアルタイムエージェントの性能とライブマウスの性能を比較し,ロボット捕食者を避けることを課題とする。
  論文  参考訳（メタデータ） (2022-11-04T18:34:36Z)
• Long-Horizon Planning and Execution with Functional Object-Oriented Networks [79.94575713911189]
  タスク計画と実行のためのFOONとしてオブジェクトレベルの知識を活用するというアイデアを紹介します。 提案手法では,FOONをPDDLに自動変換し,市販のプランナ,アクションコンテキスト,ロボットスキルを活用する。 我々はCoppeliaSimの長期タスクに対するアプローチを実証し、学習されたアクションコンテキストを、これまで見たことのないシナリオにどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T19:29:35Z)
• Have I done enough planning or should I plan more? [0.7734726150561086]
  この能力は,学習機構を逆エンジニアリングすることで得られることを示す。 計画のコストと利益に対して、どれだけの計画を実行したか、すぐに適応できることに気付きました。 その結果,計画の量を調整するメタ認知能力は,政策段階のメカニズムによって学習される可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-03T17:11:07Z)
• Planning with Learned Object Importance in Large Problem Instances using Graph Neural Networks [28.488201307961624]
  現実の計画問題は、数百から数千ものオブジェクトを巻き込むことが多い。 単一推論パスにおけるオブジェクトの重要性を予測するためのグラフニューラルネットワークアーキテクチャを提案する。 提案手法では,プランナと遷移モデルをブラックボックスとして扱い,既製のプランナで使用することができる。
  論文  参考訳（メタデータ） (2020-09-11T18:55:08Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。