論文の概要: Computational principles of intelligence: learning and reasoning with neural networks

• arxiv url: http://arxiv.org/abs/2012.09477v1
• Date: Thu, 17 Dec 2020 10:03:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 18:30:13.171006
• Title: Computational principles of intelligence: learning and reasoning with neural networks
• Title（参考訳）: 人工知能の計算原理:ニューラルネットワークによる学習と推論
• Authors: Abel Torres Montoya
• Abstract要約: 本研究は3つの原則に基づく新しい知能の枠組みを提案する。 まず、学習された入力表現の生成的およびミラーリング的性質。 第二に、学習、問題解決、想像力のための基礎的、本質的で反復的なプロセス。 第三に、阻害規則を用いた因果的構成表現に対する推論メカニズムのアドホックチューニング。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite significant achievements and current interest in machine learning and artificial intelligence, the quest for a theory of intelligence, allowing general and efficient problem solving, has done little progress. This work tries to contribute in this direction by proposing a novel framework of intelligence based on three principles. First, the generative and mirroring nature of learned representations of inputs. Second, a grounded, intrinsically motivated and iterative process for learning, problem solving and imagination. Third, an ad hoc tuning of the reasoning mechanism over causal compositional representations using inhibition rules. Together, those principles create a systems approach offering interpretability, continuous learning, common sense and more. This framework is being developed from the following perspectives: as a general problem solving method, as a human oriented tool and finally, as model of information processing in the brain.
• Abstract（参考訳）: 機械学習と人工知能に対する大きな成果と現在の関心にもかかわらず、汎用的で効率的な問題解決を可能にする知性理論の探求はほとんど進歩していない。 この研究は、3つの原則に基づいた新しい知能の枠組みを提案し、この方向性に貢献しようとするものである。 まず、学習した入力表現の生成とミラーリングの性質。 第二に、学習、問題解決、想像力のための基礎的で本質的で反復的なプロセスです。 第3に、抑制規則を用いた因果合成表現に対する推論機構のアドホックチューニング。 これらの原則は、解釈可能性、継続的な学習、常識などを提供するシステムアプローチを生み出します。 一般的な問題解決手法として、人間指向のツールとして、そして最後に、脳の情報処理のモデルとして、このフレームワークが開発されている。

関連論文リスト

• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• Learning principle and mathematical realization of the learning mechanism in the brain [0.0]
  我々はこれを学習原理と呼び、全ての学習は入力データの確率を推定するのと等価である。 従来の教師付き学習は条件付き確率の推定に等価であり,教師付き学習をより効果的かつ一般化させることに成功した。 微分を用いた推定確率の値の定義法を提案し,事前知識を使わずに任意のデータセット上で教師なし学習を行うことを示す。
  論文  参考訳（メタデータ） (2023-11-22T12:08:01Z)
• Non-equilibrium physics: from spin glasses to machine and neural learning [0.0]
  障害のある多体系は様々なスケールで幅広い創発現象を示す。 我々は、統計物理学を通して、乱れたシステムにおけるそのような突発的な知性を特徴付けることを目指している。 知的システムを設計するための指針となる学習メカニズムと物理力学の関係を明らかにする。
  論文  参考訳（メタデータ） (2023-08-03T04:56:47Z)
• Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning [47.96987739801807]
  本稿では,既存のモデル(バックボーン)を明示的な知識学習によって原則的に拡張する枠組みを提案する。 LeApでは,新しい問題知識表現パラダイムで知識学習を行う。 LeApはすべてのバックボーンのパフォーマンスを改善し、正確な知識を習得し、より解釈可能な推論プロセスを実現する。
  論文  参考訳（メタデータ） (2023-02-11T15:15:41Z)
• Interpreting Neural Policies with Disentangled Tree Representations [58.769048492254555]
  本稿では,コンパクトなニューラルポリシーの解釈可能性について,不整合表現レンズを用いて検討する。 決定木を利用して,ロボット学習における絡み合いの要因を抽出する。 学習したニューラルダイナミクスの絡み合いを計測する解釈可能性指標を導入する。
  論文  参考訳（メタデータ） (2022-10-13T01:10:41Z)
• Towards Benchmarking Explainable Artificial Intelligence Methods [0.0]
  我々は、ニューラルネットワークによって推進される決定を説明する方法から、科学理論の哲学を、期待できるもの、期待できないものを明らかにすることを目的として分析レンズとして利用する。 ケーススタディにより、動物とヘッドギアの2つの常在領域における説明可能性法の性能の選択について検討した。 これらの手法の有用性は、人間のドメイン知識と、理解し、一般化し、理性に頼っている、と私たちはうなずく。
  論文  参考訳（メタデータ） (2022-08-25T14:28:30Z)
• 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)
• HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving [104.79156980475686]
  人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
  論文  参考訳（メタデータ） (2021-02-22T20:37:01Z)
• 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)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。