論文の概要: Symbolic Behaviour in Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2102.03406v1
• Date: Fri, 5 Feb 2021 20:07:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 05:58:55.538599
• Title: Symbolic Behaviour in Artificial Intelligence
• Title（参考訳）: 人工知能における象徴的行動
• Authors: Adam Santoro, Andrew Lampinen, Kory Mathewson, Timothy Lillicrap, David Raposo
• Abstract要約: 象徴的なAIへの道は、シンボルが何であるかを再解釈することから始まります。 そして、この解釈が、人間が記号を使うときに示す行動特性をどのように統合するかを概説する。 シンボリック行動の出現に必要な認知機械を開発するためのツールとして,AI研究が社会的・文化的エンゲージメントを探求することを提案する。
• 参考スコア（独自算出の注目度）: 8.849576130278157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to use symbols is the pinnacle of human intelligence, but has yet to be fully replicated in machines. Here we argue that the path towards symbolically fluent artificial intelligence (AI) begins with a reinterpretation of what symbols are, how they come to exist, and how a system behaves when it uses them. We begin by offering an interpretation of symbols as entities whose meaning is established by convention. But crucially, something is a symbol only for those who demonstrably and actively participate in this convention. We then outline how this interpretation thematically unifies the behavioural traits humans exhibit when they use symbols. This motivates our proposal that the field place a greater emphasis on symbolic behaviour rather than particular computational mechanisms inspired by more restrictive interpretations of symbols. Finally, we suggest that AI research explore social and cultural engagement as a tool to develop the cognitive machinery necessary for symbolic behaviour to emerge. This approach will allow for AI to interpret something as symbolic on its own rather than simply manipulate things that are only symbols to human onlookers, and thus will ultimately lead to AI with more human-like symbolic fluency.
• Abstract（参考訳）: シンボルを使用する能力は人間の知能の頂点であるが、まだ機械で完全に複製されていない。 ここでは、記号的に流れる人工知能(ai)への道のりは、シンボルが何であるか、どのように存在するのか、システムがどのように振る舞うか、といった再解釈から始まります。 まず、シンボルを慣習によって確立された実体として解釈することから始める。 しかし、重要なことは、この大会に前向きかつ積極的に参加する人々のためのシンボルです。 次に、この解釈が人間の記号使用時の行動特性を数学的に統一する方法を概説する。 これは、より制限的な記号解釈に触発された特定の計算機構よりも、この分野が象徴的行動に重点を置くという提案を動機付ける。 最後に,象徴的行動に必要となる認知機構を発達させるためのツールとして,ai研究が社会的・文化的関与を探求することを提案する。 このアプローチにより、AIは単に人間の見物人にのみシンボルであるものを操作するのではなく、独自のシンボルとして解釈することができる。

関連論文リスト

• Converging Paradigms: The Synergy of Symbolic and Connectionist AI in LLM-Empowered Autonomous Agents [55.63497537202751]
  コネクショニストと象徴的人工知能(AI)の収束を探求する記事 従来、コネクショナリストAIはニューラルネットワークにフォーカスし、シンボリックAIはシンボリック表現とロジックを強調していた。 大型言語モデル(LLM)の最近の進歩は、人間の言語をシンボルとして扱う際のコネクショナリストアーキテクチャの可能性を強調している。
  論文  参考訳（メタデータ） (2024-07-11T14:00:53Z)
• Intersymbolic AI: Interlinking Symbolic AI and Subsymbolic AI [3.20902205123321]
  シンボルAIは、シンボルAIとサブシンボルAIを組み合わせて、AIの有効性を高める。 シンボルAIとサブシンボリックAIを組み合わせたインターシンボリックAIは、意識的思考と潜在意識的思考の組み合わせが人間の思考の有効性を高める方法に類似している。
  論文  参考訳（メタデータ） (2024-06-17T14:01:59Z)
• Symbol-LLM: Leverage Language Models for Symbolic System in Visual Human Activity Reasoning [58.5857133154749]
  本稿では,広い範囲のシンボルと合理的なルールを持つ新しい記号体系を提案する。 我々は,LLMの最近の進歩を2つの理想的な性質の近似として活用する。 本手法は,広範囲な活動理解タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-11-29T05:27:14Z)
• The Roles of Symbols in Neural-based AI: They are Not What You Think! [25.450989579215708]
  知的エージェントのための新しいニューロシンボリック仮説と有望なアーキテクチャを提案する。 私たちの仮説と関連するアーキテクチャは、シンボルが知的システムの将来に重要なままであることを示している。
  論文  参考訳（メタデータ） (2023-04-26T15:33:41Z)
• Emergence of Symbols in Neural Networks for Semantic Understanding and Communication [8.156761369660096]
  本稿では,シンボルの作成,意味論の理解,コミュニケーションの実現が可能なニューラルネットワークを実現するためのソリューションを提案する。 SEA-netは特定のタスクを実行するためにネットワークを動的に構成するシンボルを生成する。 これらのシンボルは合成意味情報をキャプチャし、システムは記号操作や通信によって純粋に新しい関数を取得できる。
  論文  参考訳（メタデータ） (2023-04-13T10:13:00Z)
• Aligning Robot and Human Representations [50.070982136315784]
  ロボット工学における現在の表現学習アプローチは、表現アライメントの目的がいかにうまく達成されているかの観点から研究されるべきである。 問題を数学的に定義し、その鍵となるデシダータを同定し、この形式主義の中に現在の方法を置く。
  論文  参考訳（メタデータ） (2023-02-03T18:59:55Z)
• Deep Symbolic Learning: Discovering Symbols and Rules from Perceptions [69.40242990198]
  Neuro-Symbolic(NeSy)統合は、認識と推論を必要とするタスクに対して、シンボリック推論とニューラルネットワーク(NN)を組み合わせる。 ほとんどのNeSyシステムは論理的知識の継続的な緩和に依存しており、モデルパイプライン内では決定的な決定は行われない。 本研究では,NeSy関数を学習するNeSyシステムを提案する。すなわち,連続データを離散シンボルにマップする(集合)知覚関数の構成と,シンボルの集合上のシンボル関数である。
  論文  参考訳（メタデータ） (2022-08-24T14:06:55Z)
• Diagnosing AI Explanation Methods with Folk Concepts of Behavior [70.10183435379162]
  我々は「成功」は、その説明がどんな情報を含むかだけでなく、人間の説明者がどのような情報から理解するかにも依存すると考えている。 我々は、人間の説明による社会的帰属の枠組みとして、行動の民意的概念を用いる。
  論文  参考訳（メタデータ） (2022-01-27T00:19:41Z)
• Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
  本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。 対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-14T14:54:58Z)
• Symbols as a Lingua Franca for Bridging Human-AI Chasm for Explainable and Advisable AI Systems [21.314210696069495]
  我々は、人間-AI相互作用における(人間-理解可能な)シンボルの必要性は、非常に説得力があるように思える。 特に、人間は明示的な(象徴的な)知識とアドバイスを提供することに興味があり、機械の説明を期待する。 これだけでも、AIシステムは少なくとも象徴的な言葉でI/Oを行う必要がある。
  論文  参考訳（メタデータ） (2021-09-21T01:30:06Z)
• Philosophical Specification of Empathetic Ethical Artificial Intelligence [0.0]
  倫理的AIは、無意味なルールを推論し、ニュアンスと文脈を解釈し、意図を推論する能力を持つ必要がある。 我々は、エージェントを特定するために、エノクティビズム、セミオティックス、知覚記号システム、シンボルの出現を利用する。 それは、記号の意味が学習するにつれて変化し、その意図が目的として象徴的に表されるためである。
  論文  参考訳（メタデータ） (2021-07-22T14:37:46Z)

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。