論文の概要: AI Centered on Scene Fitting and Dynamic Cognitive Network
- arxiv url: http://arxiv.org/abs/2010.04551v1
- Date: Fri, 2 Oct 2020 06:13:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 00:32:59.570021
- Title: AI Centered on Scene Fitting and Dynamic Cognitive Network
- Title（参考訳）: シーンフィッティングと動的認知ネットワークを中心としたAI
- Authors: Feng Chen
- Abstract要約: より強力な人工知能を実現するためには、エンドツーエンドの関数計算を変更する必要がある。
また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
- 参考スコア（独自算出の注目度）: 4.228224431041357
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper briefly analyzes the advantages and problems of AI mainstream
technology and puts forward: To achieve stronger Artificial Intelligence, the
end-to-end function calculation must be changed and adopt the technology system
centered on scene fitting. It also discusses the concrete scheme named Dynamic
Cognitive Network model (DC Net). Discussions : The knowledge and data in the
comprehensive domain are uniformly represented by using the rich connection
heterogeneous Dynamic Cognitive Network constructed by conceptualized elements;
A network structure of two dimensions and multi layers is designed to achieve
unified implementation of AI core processing such as combination and
generalization; This paper analyzes the implementation differences of computer
systems in different scenes, such as open domain, closed domain, significant
probability and non-significant probability, and points out that the
implementation in open domain and significant probability scene is the key of
AI, and a cognitive probability model combining bidirectional conditional
probability, probability passing and superposition, probability col-lapse is
designed; An omnidirectional network matching-growth algorithm system driven by
target and probability is designed to realize the integration of parsing,
generating, reasoning, querying, learning and so on; The principle of cognitive
network optimization is proposed, and the basic framework of Cognitive Network
Learning algorithm (CNL) is designed that structure learning is the primary
method and parameter learning is the auxiliary. The logical similarity of
implementation between DC Net model and human intelligence is analyzed in this
paper.
- Abstract（参考訳）: より強力な人工知能を実現するためには、エンド・ツー・エンドの関数計算を変更し、シーンフィッティングを中心とした技術システムを採用する必要がある。
また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
Discussions : The knowledge and data in the comprehensive domain are uniformly represented by using the rich connection heterogeneous Dynamic Cognitive Network constructed by conceptualized elements; A network structure of two dimensions and multi layers is designed to achieve unified implementation of AI core processing such as combination and generalization; This paper analyzes the implementation differences of computer systems in different scenes, such as open domain, closed domain, significant probability and non-significant probability, and points out that the implementation in open domain and significant probability scene is the key of AI, and a cognitive probability model combining bidirectional conditional probability, probability passing and superposition, probability col-lapse is designed; An omnidirectional network matching-growth algorithm system driven by target and probability is designed to realize the integration of parsing, generating, reasoning, querying, learning and so on; The principle of cognitive network optimization is proposed, and the basic framework of Cognitive Network Learning algorithm (CNL) is designed that structure learning is the primary method and parameter learning is the auxiliary.
本稿では,DCネットモデルとヒューマンインテリジェンスの実装の論理的類似性を分析する。
関連論文リスト
- NAR-*ICP: Neural Execution of Classical ICP-based Pointcloud Registration Algorithms [7.542220697870245]
本研究ではニューラルネットワークと古典ロボットアルゴリズムの交点をニューラルネットワーク推論フレームワークを用いて検討する。
我々は従来のICPベースのポイントクラウド登録アルゴリズムの中間アルゴリズムステップを学習するグラフニューラルネットワーク(GNN)ベースの学習フレームワークであるNAR-*ICPを提案する。
我々は、実世界から合成まで多様なデータセットにまたがってアプローチを評価し、複雑でノイズの多い入力を扱う際の柔軟性を実証した。
論文 参考訳（メタデータ） (2024-10-14T19:33:46Z) - Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。
この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文 参考訳（メタデータ） (2024-02-21T12:16:51Z) - Learning and Compositionality: a Unification Attempt via Connectionist
Probabilistic Programming [11.06543250284755]
学習と構成性は人間のような知性をシミュレートする鍵となるメカニズムであると考えている。
本研究では,(学習のための)コネクショナリスト構造と(構成のための)確率的プログラム意味論を結びつけるフレームワークであるコネクショナリスト確率計画(CPP)を提案する。
論文 参考訳（メタデータ） (2022-08-26T17:20:58Z) - The Neural Race Reduction: Dynamics of Abstraction in Gated Networks [12.130628846129973]
本稿では,情報フローの経路が学習力学に与える影響をスキーマ化するGated Deep Linear Networkフレームワークを紹介する。
正確な還元と、特定の場合において、学習のダイナミクスに対する正確な解が導出されます。
我々の研究は、ニューラルネットワークと学習に関する一般的な仮説を生み出し、より複雑なアーキテクチャの設計を理解するための数学的アプローチを提供する。
論文 参考訳（メタデータ） (2022-07-21T12:01:03Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳（メタデータ） (2022-06-01T23:26:51Z) - Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic
Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。
観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。
GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文 参考訳（メタデータ） (2022-05-22T07:11:57Z) - Quasi-orthogonality and intrinsic dimensions as measures of learning and
generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。
本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文 参考訳（メタデータ） (2022-03-30T21:47:32Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - Investigating Bi-Level Optimization for Learning and Vision from a
Unified Perspective: A Survey and Beyond [114.39616146985001]
機械学習やコンピュータビジョンの分野では、モチベーションやメカニズムが異なるにもかかわらず、複雑な問題の多くは、一連の密接に関連するサブプロトコルを含んでいる。
本稿では,BLO(Bi-Level Optimization)の観点から,これらの複雑な学習と視覚問題を一様に表現する。
次に、値関数に基づく単一レベル再構成を構築し、主流勾配に基づくBLO手法を理解し、定式化するための統一的なアルゴリズムフレームワークを確立する。
論文 参考訳（メタデータ） (2021-01-27T16:20:23Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Relational Neural Machines [19.569025323453257]
本稿では,学習者のパラメータと一階論理に基づく推論を共同で学習するフレームワークを提案する。
ニューラルネットワークは、純粋な準記号学習の場合の古典的な学習結果とマルコフ論理ネットワークの両方を復元することができる。
適切なアルゴリズム解は、大規模な問題において学習と推論が引き出すことができるように考案されている。
論文 参考訳（メタデータ） (2020-02-06T10:53:57Z)
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。