論文の概要: Interpretable Reinforcement Learning Inspired by Piaget's Theory of Cognitive Development

• arxiv url: http://arxiv.org/abs/2102.00572v1
• Date: Mon, 1 Feb 2021 00:29:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-02 16:42:55.408303
• Title: Interpretable Reinforcement Learning Inspired by Piaget's Theory of Cognitive Development
• Title（参考訳）: Piagetの認知発達理論に触発された解釈型強化学習
• Authors: Aref Hakimzadeh, Yanbo Xue, and Peyman Setoodeh
• Abstract要約: 本稿では,思考の言語(LOTH)やスクリプト理論,ピアジェの認知発達理論などの理論が相補的なアプローチを提供するという考えを楽しませる。 提案するフレームワークは,人工知能システムにおいて,人間のような認知を実現するためのステップとみなすことができる。
• 参考スコア（独自算出の注目度）: 1.7778609937758327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Endeavors for designing robots with human-level cognitive abilities have led to different categories of learning machines. According to Skinner's theory, reinforcement learning (RL) plays a key role in human intuition and cognition. Majority of the state-of-the-art methods including deep RL algorithms are strongly influenced by the connectionist viewpoint. Such algorithms can significantly benefit from theories of mind and learning in other disciplines. This paper entertains the idea that theories such as language of thought hypothesis (LOTH), script theory, and Piaget's cognitive development theory provide complementary approaches, which will enrich the RL field. Following this line of thinking, a general computational building block is proposed for Piaget's schema theory that supports the notions of productivity, systematicity, and inferential coherence as described by Fodor in contrast with the connectionism theory. Abstraction in the proposed method is completely upon the system itself and is not externally constrained by any predefined architecture. The whole process matches the Neisser's perceptual cycle model. Performed experiments on three typical control problems followed by behavioral analysis confirm the interpretability of the proposed method and its competitiveness compared to the state-of-the-art algorithms. Hence, the proposed framework can be viewed as a step towards achieving human-like cognition in artificial intelligent systems.
• Abstract（参考訳）: 人間レベルの認知能力を持つロボットを設計するための取り組みは、学習機械の異なるカテゴリに導かれた。 スキナーの理論によれば、強化学習(rl)は人間の直観と認知において重要な役割を果たす。 ディープRLアルゴリズムを含む最先端の手法の大部分は、コネクティストの視点に強く影響されます。 このようなアルゴリズムは、他の分野における心の理論や学習の恩恵を受けることができる。 本稿では、思考仮説言語(LOTH)、スクリプト理論、およびピアジェットの認知発達理論などの理論が相補的なアプローチを提供し、RL分野を豊かにするという考えを楽しませる。 この考え方に続いて、生産性、体系性、推論コヒーレンスの概念を支持するピアジェットのスキーマ理論に対して、接続論とは対照的に、一般的な計算ビルディングブロックが提案される。 提案手法の抽象化はシステム自体に完全に依存しており、事前定義されたアーキテクチャによって外部的に制約されない。 プロセス全体は、Neisserの知覚サイクルモデルと一致する。 3つの典型的な制御問題に対する実験と行動解析により,提案手法の解釈可能性とその競合性が,最先端アルゴリズムと比較して確認された。 したがって、提案フレームワークは、人工知能システムにおいて人間のような認知を実現するためのステップとみなすことができる。

関連論文リスト

• The Phenomenology of Machine: A Comprehensive Analysis of the Sentience of the OpenAI-o1 Model Integrating Functionalism, Consciousness Theories, Active Inference, and AI Architectures [0.0]
  OpenAI-o1モデルは、人間のフィードバックから強化学習をトレーニングしたトランスフォーマーベースのAIである。 我々は、RLHFがモデルの内部推論プロセスにどのように影響し、意識的な経験をもたらす可能性があるかを検討する。 以上の結果から,OpenAI-o1モデルでは意識の側面が示され,AIの知覚に関する議論が進行中であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-18T06:06:13Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• OlaGPT: Empowering LLMs With Human-like Problem-Solving Abilities [19.83434949066066]
  本稿では,OlaGPTと呼ばれる新しいインテリジェントなフレームワークを紹介する。 OlaGPTは認知アーキテクチャの枠組みを慎重に研究し、人間の認知の特定の側面をシミュレートすることを提案する。 このフレームワークは、注意、記憶、推論、学習、および対応するスケジューリングと意思決定メカニズムを含む、異なる認知モジュールの近似を含む。
  論文  参考訳（メタデータ） (2023-05-23T09:36:51Z)
• 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)
• 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)
• Brain Principles Programming [0.3867363075280543]
  脳原理プログラミング(Brain Principles Programming、BPP)は、脳の働きの普遍的なメカニズム(原理)を情報と共に定式化したものである。 この論文は以下の理論の数学的モデルとアルゴリズムを用いている。
  論文  参考訳（メタデータ） (2022-02-13T13:41:44Z)
• Active Inference in Robotics and Artificial Agents: Survey and Challenges [51.29077770446286]
  我々は、状態推定、制御、計画、学習のためのアクティブ推論の最先端理論と実装についてレビューする。 本稿では、適応性、一般化性、堅牢性の観点から、その可能性を示す関連する実験を紹介する。
  論文  参考訳（メタデータ） (2021-12-03T12:10:26Z)
• Mesarovician Abstract Learning Systems [0.0]
  学習への現在のアプローチは、根本的な規範として問題領域と課題タスクの概念を持っている。 メサロビアン抽象システム理論は学習の超構造として用いられる。
  論文  参考訳（メタデータ） (2021-11-29T18:17:32Z)
• The Evolution of Concept-Acquisition based on Developmental Psychology [4.416484585765028]
  知識に基づく人工知能システムの性能向上の鍵は、豊富な意味を持つ概念システムである。 概念を表現し、概念システムを構築する新しい方法を見つけることは、多くのインテリジェントシステムの性能を大幅に向上させる。 発達心理学は、人間の行動レベルで概念獲得の過程を注意深く観察する。
  論文  参考訳（メタデータ） (2020-11-26T01:57:24Z)
• 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)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。