論文の概要: Hierarchical principles of embodied reinforcement learning: A review

• arxiv url: http://arxiv.org/abs/2012.10147v1
• Date: Fri, 18 Dec 2020 10:19:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-01 18:17:09.276220
• Title: Hierarchical principles of embodied reinforcement learning: A review
• Title（参考訳）: 具体的強化学習の階層的原理--概観
• Authors: Manfred Eppe, Christian Gumbsch, Matthias Kerzel, Phuong D.H. Nguyen, Martin V. Butz and Stefan Wermter
• Abstract要約: すべての重要な認知メカニズムが独立した計算アーキテクチャで独立に実装されていることを示す。 我々は,より洗練された認知的インスパイアされた階層的手法の開発を導くことを期待する。
• 参考スコア（独自算出の注目度）: 11.613306236691427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive Psychology and related disciplines have identified several critical mechanisms that enable intelligent biological agents to learn to solve complex problems. There exists pressing evidence that the cognitive mechanisms that enable problem-solving skills in these species build on hierarchical mental representations. Among the most promising computational approaches to provide comparable learning-based problem-solving abilities for artificial agents and robots is hierarchical reinforcement learning. However, so far the existing computational approaches have not been able to equip artificial agents with problem-solving abilities that are comparable to intelligent animals, including human and non-human primates, crows, or octopuses. Here, we first survey the literature in Cognitive Psychology, and related disciplines, and find that many important mental mechanisms involve compositional abstraction, curiosity, and forward models. We then relate these insights with contemporary hierarchical reinforcement learning methods, and identify the key machine intelligence approaches that realise these mechanisms. As our main result, we show that all important cognitive mechanisms have been implemented independently in isolated computational architectures, and there is simply a lack of approaches that integrate them appropriately. We expect our results to guide the development of more sophisticated cognitively inspired hierarchical methods, so that future artificial agents achieve a problem-solving performance on the level of intelligent animals.
• Abstract（参考訳）: 認知心理学と関連する分野は、知的生物学的エージェントが複雑な問題を解決することを学べるいくつかの重要なメカニズムを特定してきた。 これらの種の問題解決スキルを可能にする認知メカニズムが階層的な精神表現の上に構築されているという、強い証拠がある。 人工知能やロボットに匹敵する学習に基づく問題解決能力を提供する最も有望な計算手法は階層的な強化学習である。 しかし、これまでの計算手法では、人間や非ヒトの霊長類、カラス、タコなど、知的動物に匹敵する問題解決能力を持つ人工エージェントを装備することはできなかった。 ここでは,まず認知心理学や関連分野の文献を調査し,構成的抽象化,好奇心,前方モデルなど,多くの重要な心的メカニズムが関与していることを見いだした。 次に,これらの知見を現代的階層的強化学習法と関連付け,これらのメカニズムを実現する重要な機械知のアプローチを特定する。 結論として,すべての重要な認知メカニズムが独立した計算アーキテクチャで独立に実装されてきたことを示し,それらを適切に統合するアプローチの欠如を明らかにした。 今後の人工エージェントが知的動物のレベルで問題解決性能を達成するために,より洗練された認知的インスパイアされた階層的手法の開発を導くことを期待する。

関連論文リスト

• Imagining and building wise machines: The centrality of AI metacognition [78.76893632793497]
  AIシステムは知恵を欠いている。 AI研究はタスクレベルの戦略に焦点を当てているが、メタ認知はAIシステムでは未発達である。 メタ認知機能をAIシステムに統合することは、その堅牢性、説明可能性、協力性、安全性を高めるために不可欠である。
  論文  参考訳（メタデータ） (2024-11-04T18:10:10Z)
• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• Advancing Perception in Artificial Intelligence through Principles of Cognitive Science [6.637438611344584]
  我々は、周囲の信号を入力として取り、それを処理して環境を理解する、知覚の認知機能に焦点を当てる。 我々は、認知科学にインスパイアされたAIシステムを構築するために、AIに一連の方法を提案する。
  論文  参考訳（メタデータ） (2023-10-13T01:21:55Z)
• 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)
• 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)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• Intelligent problem-solving as integrated hierarchical reinforcement learning [11.284287026711125]
  生物学的エージェントにおける複雑な問題解決行動の開発は階層的認知機構に依存している。 本稿では,生物にインスパイアされた階層的なメカニズムを組み込むことにより,人工エージェントの高度な問題解決能力を実現する方法を提案する。 われわれの結果は、より洗練された認知にインスパイアされた階層型機械学習アーキテクチャの開発を導くことを期待している。
  論文  参考訳（メタデータ） (2022-08-18T09:28:03Z)
• Kernel Based Cognitive Architecture for Autonomous Agents [91.3755431537592]
  本稿では,認知機能構築への進化的アプローチについて考察する。 本稿では,シンボル創発問題に基づくエージェントの進化を保証する認知アーキテクチャについて考察する。
  論文  参考訳（メタデータ） (2022-07-02T12:41:32Z)
• Projection: A Mechanism for Human-like Reasoning in Artificial Intelligence [6.218613353519724]
  モデルから)トップダウン情報を利用する推論手法は、困難な状況における実体認識に有効であることが示されている。 投射は、様々な状況や困難な状況に知識を適用するという問題を解決するための鍵となるメカニズムである。
  論文  参考訳（メタデータ） (2021-03-24T22:33:51Z)

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。