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: 処理完了
- 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
- Neurocompositional computing: From the Central Paradox of Cognition to a
new generation of AI systems [120.297940190903]
AIの最近の進歩は、限られた形態のニューロコンフォメーションコンピューティングの使用によってもたらされている。
ニューロコンポジションコンピューティングの新しい形式は、より堅牢で正確で理解しやすいAIシステムを生み出します。
論文 参考訳(メタデータ) (2022-05-02T18:00:10Z) - 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) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳(メタデータ) (2021-05-29T21:02:44Z) - 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) - A Metamodel and Framework for Artificial General Intelligence From
Theory to Practice [11.756425327193426]
本稿では,自律学習と適応性を大幅に向上させるメタモデルに基づく知識表現を提案する。
我々は,時系列解析,コンピュータビジョン,自然言語理解といった問題にメタモデルを適用した。
メタモデルの驚くべき結果のひとつは、新たなレベルの自律的な学習と、マシンインテリジェンスのための最適な機能を可能にするだけでなく、それを可能にすることだ。
論文 参考訳(メタデータ) (2021-02-11T16:45:58Z) - On the Philosophical, Cognitive and Mathematical Foundations of
Symbiotic Autonomous Systems (SAS) [87.3520234553785]
共生自律システム(SAS)は、自律的な集団知能を示す高度なインテリジェントおよび認知システムです。
この研究は、知性、認知、コンピュータ、システム科学の最新の進歩に根ざしたSASの理論的枠組みを示す。
論文 参考訳(メタデータ) (2021-02-11T05:44:25Z) - Model-Based Machine Learning for Communications [110.47840878388453]
モデルベースのアルゴリズムと機械学習をハイレベルな視点で組み合わせるための既存の戦略を見直します。
通信受信機の基本的なタスクの一つであるシンボル検出に注目する。
論文 参考訳(メタデータ) (2021-01-12T19:55:34Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Draw your Neural Networks [0.0]
このGUIベースのアプローチを用いて,ニューラルネットワークの設計と修正を行うSketchフレームワークを提案する。
このシステムは一般的なレイヤと操作を最初から提供し、サポート対象のトレーニング済みモデルをインポートできる。
論文 参考訳(メタデータ) (2020-12-12T09:44:03Z) - 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)
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。