論文の概要: How the Brain might use Division
- arxiv url: http://arxiv.org/abs/2003.05320v2
- Date: Tue, 24 Mar 2020 15:08:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 14:41:44.800223
- Title: How the Brain might use Division
- Title(参考訳): 脳が分割をどう使うか
- Authors: Kieran Greer
- Abstract要約: 主に統計によって組織化される神経アーキテクチャは、どうすればいいのかを知っていますか?
ひとつの可能性は、問題をもっと抽象的なものに抽出することだ。
本稿では,問題をシンボル操作の1つに変更すれば,より容易に解答できることを示す。
- 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: One of the most fundamental questions in Biology or Artificial Intelligence
is how the human brain performs mathematical functions. How does a neural
architecture that may organise itself mostly through statistics, know what to
do? One possibility is to extract the problem to something more abstract. This
becomes clear when thinking about how the brain handles large numbers, for
example to the power of something, when simply summing to an answer is not
feasible. In this paper, the author suggests that the maths question can be
answered more easily if the problem is changed into one of symbol manipulation
and not just number counting. If symbols can be compared and manipulated, maybe
without understanding completely what they are, then the mathematical
operations become relative and some of them might even be rote learned. The
proposed system may also be suggested as an alternative to the traditional
computer binary system. Any of the actual maths still breaks down into binary
operations, while a more symbolic level above that can manipulate the numbers
and reduce the problem size, thus making the binary operations simpler. An
interesting result of looking at this is the possibility of a new fractal
equation resulting from division, that can be used as a measure of good fit and
would help the brain decide how to solve something through self-replacement and
a comparison with this good fit.
- Abstract(参考訳): 生物学や人工知能における最も基本的な問題の1つは、人間の脳がどのように数学的機能を実行するかである。
統計学を通じて自らを体系化するニューラルアーキテクチャは、何をすべきかをどうやって知るのか?
ひとつの可能性は、問題をもっと抽象的なものに抽出することだ。
これは、脳が大量の数を扱う方法を考えるとき、例えば何かの力に対して、単に答えをまとめるだけでは不可能であるときに明確になる。
本稿では,問題を記号操作の1つに変更した場合,単に数えるのではなく,数学的な問題にもっと簡単に答えることができることを示唆する。
もし記号を比較・操作することができ、おそらくそれらが何であるかを完全に理解せずに、数学的操作が相対的になり、それらのいくつかはロート学習されるかもしれない。
提案システムは従来のコンピュータバイナリシステムに代わるものとして提案することもできる。
実際の数学はすべてバイナリ演算に分解されるが、より象徴的なレベルでは数値を操作して問題のサイズを減らすことができるため、バイナリ操作がより簡単になる。
これを見る興味深い結果は、分割によって生じる新しいフラクタル方程式の可能性であり、これは適合性の尺度として、脳が自己再配置とこの適合性との比較によって何かを解く方法を決定するのに役立つ。
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) - Symbolic Equation Solving via Reinforcement Learning [9.361474110798143]
シンボリックスタック計算機を操作する強化学習エージェントを含む新しい深層学習インタフェースを提案する。
構築によって、このシステムは正確な変換と幻覚への免疫が可能である。
論文 参考訳(メタデータ) (2024-01-24T13:42:24Z) - The Clock and the Pizza: Two Stories in Mechanistic Explanation of
Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。
単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文 参考訳(メタデータ) (2023-06-30T17:59:13Z) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳(メタデータ) (2022-12-20T18:46:16Z) - Disentanglement with Biological Constraints: A Theory of Functional Cell
Types [20.929056085868613]
この研究は、脳内の単一ニューロンが単一の人間の解釈可能な要素をしばしば表す理由を数学的に理解する。
また、脳表象の構造を形作る理解タスク構造へと進む。
論文 参考訳(メタデータ) (2022-09-30T14:27:28Z) - End-to-end Algorithm Synthesis with Recurrent Networks: Logical
Extrapolation Without Overthinking [52.05847268235338]
機械学習システムが問題を過度に考えずに論理的外挿を行う方法を示す。
本稿では,問題インスタンスの明示的なコピーをメモリに保持して,それを忘れないようにするリコールアーキテクチャを提案する。
また、モデルが数に固有の行動を学ぶのを防ぎ、無期限に繰り返される行動を学ぶためにモデルをプッシュするプログレッシブトレーニングルーチンも採用しています。
論文 参考訳(メタデータ) (2022-02-11T18:43:28Z) - Neuromorphic Computing is Turing-Complete [0.0]
ニューロモルフィックコンピューティング(Neuromorphic Computing)は、人間の脳をエミュレートして計算を行う非ヴォンノイマン計算パラダイムである。
ニューロモルフィックシステムはエネルギー効率が非常に高く、cpuやgpuの数千倍の消費電力で知られている。
我々は、すべてのmu再帰関数とすべてのmu再帰演算子を計算するためのニューロモルフィック回路を考案する。
論文 参考訳(メタデータ) (2021-04-28T19:25:01Z) - Recognizing and Verifying Mathematical Equations using Multiplicative
Differential Neural Units [86.9207811656179]
メモリ拡張ニューラルネットワーク(NN)は、高次、メモリ拡張外挿、安定した性能、より高速な収束を実現することができることを示す。
本モデルでは,現在の手法と比較して1.53%の精度向上を達成し,2.22%のtop-1平均精度と2.96%のtop-5平均精度を達成している。
論文 参考訳(メタデータ) (2021-04-07T03:50:11Z) - Machine Number Sense: A Dataset of Visual Arithmetic Problems for
Abstract and Relational Reasoning [95.18337034090648]
文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。
これらの視覚的算術問題は幾何学的フィギュアの形をしている。
我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
論文 参考訳(メタデータ) (2020-04-25T17:14:58Z)
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。