論文の概要: Generalized Constraints as A New Mathematical Problem in Artificial
Intelligence: A Review and Perspective
- arxiv url: http://arxiv.org/abs/2011.06156v1
- Date: Thu, 12 Nov 2020 01:47:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 07:07:13.311435
- Title: Generalized Constraints as A New Mathematical Problem in Artificial
Intelligence: A Review and Perspective
- Title（参考訳）: 人工知能の新しい数学的問題としての一般化制約 : 概観と展望
- Authors: Bao-Gang Hu and Han-Bing Qu
- Abstract要約: 本稿では,人工知能(AI)における新しい数学的問題について,数学的モデリングの観点から述べる。
新しい問題は"Generalized Constraints (GCs)"と呼ばれ、モデリングにおけるあらゆる種類の事前情報を記述する一般的な用語としてGCを採用する。
AIマシンの構築では、明確に定義された形式を持つCCではなく、基本的にモデリング用のGCに遭遇します。
- 参考スコア（独自算出の注目度）: 11.211634104421563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this comprehensive review, we describe a new mathematical problem in
artificial intelligence (AI) from a mathematical modeling perspective,
following the philosophy stated by Rudolf E. Kalman that "Once you get the
physics right, the rest is mathematics". The new problem is called "Generalized
Constraints (GCs)", and we adopt GCs as a general term to describe any type of
prior information in modelings. To understand better about GCs to be a general
problem, we compare them with the conventional constraints (CCs) and list their
extra challenges over CCs. In the construction of AI machines, we basically
encounter more often GCs for modeling, rather than CCs with well-defined forms.
Furthermore, we discuss the ultimate goals of AI and redefine transparent,
interpretable, and explainable AI in terms of comprehension levels about
machines. We review the studies in relation to the GC problems although most of
them do not take the notion of GCs. We demonstrate that if AI machines are
simplified by a coupling with both knowledge-driven submodel and data-driven
submodel, GCs will play a critical role in a knowledge-driven submodel as well
as in the coupling form between the two submodels. Examples are given to show
that the studies in view of a generalized constraint problem will help us
perceive and explore novel subjects in AI, or even in mathematics, such as
generalized constraint learning (GCL).
- Abstract（参考訳）: この総合的なレビューでは、人工知能(AI)における新しい数学的問題について、Rudolf E. Kalmanが述べた「物理が正しいなら、残りは数学だ」という哲学に従えば、数学的モデリングの観点から記述する。
新しい問題は"Generalized Constraints (GCs)"と呼ばれ、モデリングにおけるあらゆる種類の事前情報を記述する一般的な用語としてGCを採用する。
一般的な問題であるGCについてよりよく理解するために、従来の制約(CC)と比較し、CCに対するさらなる課題をリストアップする。
AIマシンの構築では、明確に定義された形式を持つCCではなく、基本的にモデリング用のGCに遭遇します。
さらに、機械に関する理解レベルの観点から、AIの最終的な目標について議論し、透明性、解釈可能、説明可能なAIを再定義する。
我々はGC問題に関する研究をレビューするが、そのほとんどがGCの概念を取り入れていない。
知識駆動型サブモデルとデータ駆動型サブモデルの両方との結合によってAIマシンが単純化された場合、GCは知識駆動型サブモデルと2つのサブモデル間の結合形式において重要な役割を果たす。
例えば、一般化された制約問題の観点からの研究は、aiや一般化制約学習(gcl)のような数学において、新しい主題を知覚し、探求するのに役立ちます。
関連論文リスト
- Coding for Intelligence from the Perspective of Category [66.14012258680992]
符号化の対象はデータの圧縮と再構成、インテリジェンスである。
最近の傾向は、これらの2つの分野の潜在的均一性を示している。
本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
論文 参考訳（メタデータ） (2024-07-01T07:05:44Z) - Identifiable Causal Representation Learning: Unsupervised, Multi-View, and Multi-Environment [10.814585613336778]
因果表現学習は、機械学習のコアとなる強みと因果性を組み合わせることを目的としている。
この論文は、CRLが直接の監督なしに何が可能であるかを調査し、理論的基礎に寄与する。
論文 参考訳（メタデータ） (2024-06-19T09:14:40Z) - Position: Stop Making Unscientific AGI Performance Claims [6.343515088115924]
人工知能(AI)分野の発展は、人工知能(AGI)の「スパーク」を観察するための「完璧な嵐」を生み出した。
我々は、モデルの潜在空間における有意義なパターンの発見は、AGIを支持する証拠とは見なされないことを議論し、実証的に実証した。
我々は、モデル表現と興味のある変数の間の相関が、モデルが根底にある「真実」の関係について理解していることから「原因」であるとの誤解に対して、AIの方法論的設定と一般的な公開イメージの両方が理想的であると結論付けている。
論文 参考訳（メタデータ） (2024-02-06T12:42:21Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Infusing Lattice Symmetry Priors in Attention Mechanisms for
Sample-Efficient Abstract Geometric Reasoning [45.4605460163454]
抽象と推論(ARC)は、汎用AIへの重要なステップとして仮定されている。
これらの課題を解くには、コア知識の事前の適切な会計によってのみ達成できる極端に一般化が必要である、と我々は主張する。
格子先行を注目マスクに組み込んだモデルであるLatFormerを紹介する。
論文 参考訳（メタデータ） (2023-06-05T18:32:53Z) - Deep learning applied to computational mechanics: A comprehensive
review, state of the art, and the classics [77.34726150561087]
人工知能,特に深層学習(DL)の最近の進歩を概観する。
ハイブリッドおよび純粋機械学習(ML)の手法について論じる。
AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
論文 参考訳（メタデータ） (2022-12-18T02:03:00Z) - Deep Algorithmic Question Answering: Towards a Compositionally Hybrid AI
for Algorithmic Reasoning [0.0]
問題の解答におけるアルゴリズム推論の課題は、AIに対する"システム"アプローチに効果的に取り組むことができる、と我々は主張する。
本稿では,QA,Deep Algorithmic Question Answeringのためのアルゴリズム推論手法を提案する。
論文 参考訳（メタデータ） (2021-09-16T14:28:18Z) - GeoQA: A Geometric Question Answering Benchmark Towards Multimodal
Numerical Reasoning [172.36214872466707]
我々は、テキスト記述、視覚図、定理知識の包括的理解を必要とする幾何学的問題を解くことに注力する。
そこで本研究では,5,010の幾何学的問題を含む幾何学的質問応答データセットGeoQAを提案する。
論文 参考訳（メタデータ） (2021-05-30T12:34:17Z) - Explainable AI without Interpretable Model [0.0]
AIシステムが、結果の背後にある理由をエンドユーザに説明できることは、これまで以上に重要になっています。
ほとんどの説明可能なAI(XAI)メソッドは、説明を作成するのに使用できる解釈可能なモデルを抽出することに基づいている。
本論文では,文脈的重要性と実用性(CIU)の概念により,ブラックボックスの結果の人間的な説明を直接生成することが可能となる。
論文 参考訳（メタデータ） (2020-09-29T13:29:44Z) - Explainability in Deep Reinforcement Learning [68.8204255655161]
説明可能な強化学習(XRL)の実現に向けての最近の成果を概観する。
エージェントの振る舞いを正当化し、説明することが不可欠である重要な状況において、RLモデルのより良い説明可能性と解釈性は、まだブラックボックスと見なされているものの内部動作に関する科学的洞察を得るのに役立つ。
論文 参考訳（メタデータ） (2020-08-15T10:11:42Z) - 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。