論文の概要: Inductive Biases for Deep Learning of Higher-Level Cognition

• arxiv url: http://arxiv.org/abs/2011.15091v3
• Date: Wed, 17 Feb 2021 21:54:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 23:04:11.129259
• Title: Inductive Biases for Deep Learning of Higher-Level Cognition
• Title（参考訳）: 高次認知の深層学習のための誘導バイアス
• Authors: Anirudh Goyal, Yoshua Bengio
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 108.89281493851358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fascinating hypothesis is that human and animal intelligence could be explained by a few principles (rather than an encyclopedic list of heuristics). If that hypothesis was correct, we could more easily both understand our own intelligence and build intelligent machines. Just like in physics, the principles themselves would not be sufficient to predict the behavior of complex systems like brains, and substantial computation might be needed to simulate human-like intelligence. This hypothesis would suggest that studying the kind of inductive biases that humans and animals exploit could help both clarify these principles and provide inspiration for AI research and neuroscience theories. Deep learning already exploits several key inductive biases, and this work considers a larger list, focusing on those which concern mostly higher-level and sequential conscious processing. The objective of clarifying these particular principles is that they could potentially help us build AI systems benefiting from humans' abilities in terms of flexible out-of-distribution and systematic generalization, which is currently an area where a large gap exists between state-of-the-art machine learning and human intelligence.
• Abstract（参考訳）: 興味深い仮説は、人間と動物の知性は(ヒューリスティックスの百科事典リストではなく)いくつかの原則によって説明できるということである。 もしその仮説が正しければ、私たち自身の知性を理解し、インテリジェントマシンを構築するのがより簡単になります。 物理学と同様に、原理そのものは脳のような複雑なシステムの振る舞いを予測するのに十分ではなく、人間のような知能をシミュレートするには相当な計算が必要かもしれない。 この仮説は、人間や動物が利用する誘導バイアスの研究が、これらの原則を明確にし、AI研究や神経科学理論にインスピレーションを与えるのに役立つことを示唆している。 ディープラーニングはすでに、いくつかの重要な帰納的バイアスを利用しており、この研究はより大きなリストを考察し、主に高レベルかつ逐次的な意識的処理に関するものに焦点を当てている。 これらの特定の原則を明確にする目的は、柔軟な分散と体系的一般化という観点から、人間の能力の恩恵を受ける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。

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)
• The Generative AI Paradox: "What It Can Create, It May Not Understand" [81.89252713236746]
  生成AIの最近の波は、潜在的に超人的な人工知能レベルに対する興奮と懸念を引き起こしている。 同時に、モデルは、専門家でない人でも期待できないような理解の基本的な誤りを示している。 一見超人的な能力と、ごく少数の人間が起こすエラーの持続性を、どうやって再現すればよいのか?
  論文  参考訳（メタデータ） (2023-10-31T18:07:07Z)
• 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)
• 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 Mathematical Approach to Constraining Neural Abstraction and the Mechanisms Needed to Scale to Higher-Order Cognition [0.0]
  人工知能はこの10年で大きな進歩を遂げてきたが、人工知能の最もよく知られている例である人間の脳にはまだ及ばない。 神経の過程があまり知られていないため、脳はほんの少しで跳躍を達成できる。 本稿では, グラフ理論とスペクトルグラフ理論を用いた数学的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T02:13:22Z)
• Applying Deutsch's concept of good explanations to artificial intelligence and neuroscience -- an initial exploration [0.0]
  深層学習におけるドイツの難しい原則と、より形式化された原則とどのように関連しているかを調査します。 私たちは、人間の脳を見ることで、知能でどのように難しい説明が果たす役割を見ます。
  論文  参考訳（メタデータ） (2020-12-16T23:23:22Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Recursion, evolution and conscious self [0.0]
  我々は、ほぼ自動である学習理論、すなわち、初期プログラミングの最小限しか必要としない学習理論について研究する。 結論は生物学と神経科学の両方の科学的発見と一致する。
  論文  参考訳（メタデータ） (2020-01-14T11:04:52Z)
• Is Intelligence Artificial? [0.0]
  本稿では,自然界,次に人工知能に適用可能な統一的な定義を提案する。 コルモゴロフの複素性理論に基づく計量が示唆され、エントロピーに関する測度が導かれる。 承認されたAIテストのバージョンは、後に 'acid test' として提示され、フリー思考プログラムが達成しようとするものかもしれない。
  論文  参考訳（メタデータ） (2014-03-05T11:09:55Z)

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。