論文の概要: Modern Machine and Deep Learning Systems as a way to achieve Man-Computer Symbiosis

• arxiv url: http://arxiv.org/abs/2101.10534v1
• Date: Sun, 24 Jan 2021 17:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-03-16 09:09:55.968293
• Title: Modern Machine and Deep Learning Systems as a way to achieve Man-Computer Symbiosis
• Title（参考訳）: マン・コンピュータ共生を実現する手段としての現代機械・深層学習システム
• Authors: Chirag Gupta
• Abstract要約: Man-Computer Symbiosis(MCS)は、もともと有名なコンピュータの先駆者であるJ.C.Rによって構想された。 1960年発売。 本稿では,最近の機械学習システムと,特にディープラーニングシステムがmcsシステムを最もよく例示する範囲について考察する。
• 参考スコア（独自算出の注目度）: 3.3504365823045044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Man-Computer Symbiosis (MCS) was originally envisioned by the famous computer pioneer J.C.R. Licklider in 1960, as a logical evolution of the then inchoate relationship between computer and humans. In his paper, Licklider provided a set of criteria by which to judge if a Man-Computer System is a symbiotic one, and also provided some predictions about such systems in the near and far future. Since then, innovations in computer networks and the invention of the Internet were major developments towards that end. However, with most systems based on conventional logical algorithms, many aspects of Licklider's MCS remained unfulfilled. This paper explores the extent to which modern machine learning systems in general, and deep learning ones in particular best exemplify MCS systems, and why they are the prime contenders to achieve a true Man-Computer Symbiosis as described by Licklider in his original paper in the future. The case for deep learning is built by illustrating each point of the original criteria as well as the criteria laid by subsequent research into MCS systems, with specific examples and applications provided to strengthen the arguments. The efficacy of deep neural networks in achieving Artificial General Intelligence, which would be the perfect version of an MCS system is also explored.
• Abstract（参考訳）: Man-Computer Symbiosis(MCS)は、もともと有名なコンピュータの先駆者であるJ.C.Rによって構想された。 1960年、Lickliderはコンピュータと人間の関係を論理的に進化させた。 licklider氏は自身の論文で、マンコンピュータシステムが共生システムであるかどうかを判断するための一連の基準を提供し、近未来のシステムについていくつかの予測を提供した。 それ以来、コンピュータネットワークの革新とインターネットの発明は、その目的に向けて大きな発展を遂げた。 しかし、従来の論理アルゴリズムに基づくほとんどのシステムでは、LickliderのMCSの多くの側面は未完成のままであった。 本稿は,現代の機械学習システム全般,特に深層学習システムがMCSシステムを最もよく例示している範囲と,Locklider氏の論文で述べられているような真の人間-コンピュータ共生を実現するための主要な選択肢について考察する。 深層学習のケースは、元の基準の各点とその後のMCSシステムの研究で規定された基準を、議論を強化するための具体例と応用で説明することによって構築される。 MCSシステムの完璧なバージョンとなる人工知能の実現におけるディープニューラルネットワークの有効性も検討されている。

関連論文リスト

• Personalized Artificial General Intelligence (AGI) via Neuroscience-Inspired Continuous Learning Systems [3.764721243654025]
  現在のアプローチは、タスク固有のパフォーマンスを改善するが、継続的で適応性があり、一般化された学習を可能にするには不十分なモデルパラメータの拡張に大きく依存している。 本稿では、連続学習と神経科学に触発されたAIの現状を概観し、脳のような学習機構をエッジ展開に統合したパーソナライズされたAGIのための新しいアーキテクチャを提案する。 これらの洞察に基づいて、我々は、相補的な高速かつスローな学習モジュール、シナプス的自己最適化、デバイス上の寿命適応をサポートするためのメモリ効率のモデル更新を特徴とするAIアーキテクチャの概要を述べる。
  論文  参考訳（メタデータ） (2025-04-27T16:10:17Z)
• The Thousand Brains Project: A New Paradigm for Sensorimotor Intelligence [0.5032786223328559]
  私たちは、AIの代替的な補完的な形式を開発するための、現在進行中の研究プロジェクトであるSagare Brains Projectについて概説する。 多様なタスクを素早く学習するのに適した感覚運動エージェントである1000脳システムの初期バージョンを提示する。 我々は、数千の脳システムの設計を動機づける鍵となる原則を概説し、モンティの実装の詳細、そしてそのようなシステムの最初のインスタンス化について述べます。
  論文  参考訳（メタデータ） (2024-12-24T11:32:37Z)
• Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G [58.440115433585824]
  デジタルツイン(DT)のようなサービスをサポートする将来の無線システムの構築は、メタサーフェスのような従来の技術への進歩を通じて達成することが困難である。 人工知能(AI)ネイティブネットワークは、無線技術のいくつかの制限を克服することを約束する一方で、開発は依然としてニューラルネットワークのようなAIツールに依存している。 本稿では、AIネイティブ無線システムの概念を再考し、それらを人工知能(AGI)ネイティブシステムに変換するために必要な共通感覚を取り入れた。
  論文  参考訳（メタデータ） (2024-04-29T04:51:05Z)
• Battle of the Backbones: A Large-Scale Comparison of Pretrained Models across Computer Vision Tasks [139.3768582233067]
  Battle of the Backbones (BoB)は、ニューラルネットワークベースのコンピュータビジョンシステムのためのベンチマークツールである。 視覚変換器(ViT)と自己教師型学習(SSL)がますます人気になっている。 同じアーキテクチャと同じようなサイズの事前トレーニングデータセット上でのアップルとアプリケーションの比較では、SSLバックボーンは極めて競争力があることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T18:23:58Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• 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)
• There's Plenty of Room Right Here: Biological Systems as Evolved, Overloaded, Multi-scale Machines [0.0]
  我々は、カテゴリ間のハードバウンダリを放棄し、オブザーバに依存した実践的な視点を採用することによって、有用な道が先延ばしされることを論じる。 バイオメディカルまたはバイオエンジニアリングの目的のために生体システムを再形成するためには、複数のスケールでそれらの機能の予測と制御が必要である。 我々は,メソスケールイベントの理解を改善するために,進化・設計されたシステムによって実行される計算のためのオブザーバ中心のフレームワークを論じる。
  論文  参考訳（メタデータ） (2022-12-20T22:26:40Z)
• Neuromorphic Artificial Intelligence Systems [58.1806704582023]
  フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。 この記事では、そのような制限と、それらが緩和される方法について論じる。 これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
  論文  参考訳（メタデータ） (2022-05-25T20:16:05Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• Scholarly AI system diagrams as an access point to mental models [6.233820957059352]
  人工知能(AI)システムのような複雑なシステムは、多くの相互関連コンポーネントで構成されている。 これらのシステムを表現するためには、コンポーネント間の関係を示すことが不可欠です。 図は「関係のアイコン」として、複雑なシステムを示すための一般的な媒体です。
  論文  参考訳（メタデータ） (2021-04-30T07:55:18Z)
• Next Wave Artificial Intelligence: Robust, Explainable, Adaptable, Ethical, and Accountable [5.4138734778206]
  ディープニューラルネットワークはコンピュータビジョン、音声認識、言語処理、ゲームプレイング、ロボット工学において多くの成功と新機能をもたらしている。 関連する制限は、今日のAIシステムの中で最も成功した場合でも脆さに苦しむことです。 AIシステムは、トレーニングデータから性別、人種、その他の要因に基づくバイアスを吸収し、その後の意思決定におけるバイアスをさらに大きくすることができる。
  論文  参考訳（メタデータ） (2020-12-11T00:50:09Z)
• Memristors -- from In-memory computing, Deep Learning Acceleration, Spiking Neural Networks, to the Future of Neuromorphic and Bio-inspired Computing [25.16076541420544]
  機械学習は、特にディープラーニングの形で、人工知能の最近の基本的な発展のほとんどを駆動している。 ディープラーニングは、オブジェクト/パターン認識、音声と自然言語処理、自動運転車、インテリジェントな自己診断ツール、自律ロボット、知識に富んだパーソナルアシスタント、監視といった分野に成功している。 本稿では、電力効率の高いインメモリコンピューティング、ディープラーニングアクセラレーター、スパイクニューラルネットワークの実装のための潜在的なソリューションとして、CMOSハードウェア技術、memristorsを超越した小説をレビューする。
  論文  参考訳（メタデータ） (2020-04-30T16:49:03Z)

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。