論文の概要: Naive Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2009.02185v1
• Date: Fri, 4 Sep 2020 13:40:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 01:41:44.280195
• Title: Naive Artificial Intelligence
• Title（参考訳）: ナイーブな人工知能
• Authors: Tomer Barak, Yehonatan Avidan and Yonatan Loewenstein
• Abstract要約: 流体知能は 知識に頼らずに 新たな問題を解決する能力です これまでの研究では、ディープ・ネットワークはいくつかのインテリジェンス・テストの形で解決できるが、広範囲なトレーニングの後にしか解決できないことが示されている。 ここでは、事前の訓練なしにインテリジェンステストを解決する計算モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.8594140167290096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the cognitive sciences, it is common to distinguish between crystal intelligence, the ability to utilize knowledge acquired through past learning or experience and fluid intelligence, the ability to solve novel problems without relying on prior knowledge. Using this cognitive distinction between the two types of intelligence, extensively-trained deep networks that can play chess or Go exhibit crystal but not fluid intelligence. In humans, fluid intelligence is typically studied and quantified using intelligence tests. Previous studies have shown that deep networks can solve some forms of intelligence tests, but only after extensive training. Here we present a computational model that solves intelligence tests without any prior training. This ability is based on continual inductive reasoning, and is implemented by deep unsupervised latent-prediction networks. Our work demonstrates the potential fluid intelligence of deep networks. Finally, we propose that the computational principles underlying our approach can be used to model fluid intelligence in the cognitive sciences.
• Abstract（参考訳）: 認知科学では、結晶知性、過去の学習や経験を通じて得られた知識を活用できる能力、流体知性、事前の知識に頼らずに新しい問題を解決する能力とを区別することが一般的である。 この2つのインテリジェンス間の認知的区別を利用して、チェスや囲碁をプレイできる広範囲に訓練されたディープネットワークは、結晶を示すが流動的なインテリジェンスではない。 人間では、流体インテリジェンスは通常、インテリジェンステストを用いて研究され、定量化される。 これまでの研究では、ディープネットワークはある種の知性テストは解決できるが、大規模なトレーニングの後にのみ解決できることが示されている。 ここでは,事前のトレーニングなしに知能テストを行う計算モデルを提案する。 この能力は連続的帰納的推論に基づいており、深い教師なし潜在予測ネットワークによって実装されている。 我々の研究は、ディープネットワークの潜在的流動性を示す。 最後に,このアプローチの基礎となる計算原理を,認知科学における流体知能のモデル化に応用することを提案する。

関連論文リスト

• Deep Learning for Code Intelligence: Survey, Benchmark and Toolkit [63.82016263181941]
  コードインテリジェンスは、機械学習技術を活用して、広範なコードコーパスから知識を抽出する。 現在、コードインテリジェンスに重点を置く研究コミュニティは活発です。
  論文  参考訳（メタデータ） (2023-12-30T17:48:37Z)
• On a Functional Definition of Intelligence [0.0]
  合意されたインテリジェンスの定義がなければ、"このシステムはインテリジェントか? 知性(intelligence)とは、哲学、心理学、認知科学の分野である。 我々は、その知性が実際に達成される方法とは異なる、純粋に機能的でブラックボックスな知性の定義について論じる。
  論文  参考訳（メタデータ） (2023-12-15T05:46:49Z)
• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• A Theory of Intelligences [0.0]
  私は物理学から生物学、人間、AIに至るまで、あらゆるシステムに適用可能なフレームワークを開発しています。 インテリジェンスとその構成要素に関する一般的な方程式と、インテリジェンス特性の進化のための単純な表現について述べる。
  論文  参考訳（メタデータ） (2023-08-23T20:18:43Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• The Nature of Intelligence [0.0]
  人間とAIの両方で一般的に表現される知性の本質は不明である。 インテリジェンスの性質は,システムエントロピーを最小限に抑える数学的に機能する一連のプロセスであることを示す。 このエッセイは、宇宙と私たちを人間としてより深く理解するための出発点となるべきです。
  論文  参考訳（メタデータ） (2023-07-20T23:11:59Z)
• A World-Self Model Towards Understanding Intelligence [0.0]
  我々は、人間と人工知能を比較し、人間の知性の特定の側面が認識と認知を結びつける鍵である、と提案する。 我々は、より広範な概念、新しいモデルのWSM(World-Self Model)の原理と数学的枠組み、そして最後にWSMに基づいた統合されたインテリジェンス・フレームワークを提示する。
  論文  参考訳（メタデータ） (2022-03-25T16:42:23Z)
• Intelligence as information processing: brains, swarms, and computers [0.0]
  インテリジェンスの定義には合意されていないため、脳、スワーミング、コンピュータ、その他のシステムがインテリジェントかどうかを単に問うことは問題である。 異なる認知システムによって提示される潜在的な知性を比較するために、人工知能と人工生命が使用する共通アプローチを使用します。
  論文  参考訳（メタデータ） (2021-08-09T19:03:15Z)
• Towards a Universal Continuous Knowledge Base [49.95342223987143]
  複数のニューラルネットワークからインポートされた知識を格納できる継続的知識基盤を構築する方法を提案する。 テキスト分類実験は有望な結果を示す。 我々は複数のモデルから知識ベースに知識をインポートし、そこから融合した知識を単一のモデルにエクスポートする。
  論文  参考訳（メタデータ） (2020-12-25T12:27:44Z)
• 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)
• Future Trends for Human-AI Collaboration: A Comprehensive Taxonomy of AI/AGI Using Multiple Intelligences and Learning Styles [95.58955174499371]
  我々は、複数の人間の知性と学習スタイルの様々な側面を説明し、様々なAI問題領域に影響を及ぼす可能性がある。 未来のAIシステムは、人間のユーザと互いにコミュニケーションするだけでなく、知識と知恵を効率的に交換できる。
  論文  参考訳（メタデータ） (2020-08-07T21:00:13Z)

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。