論文の概要: HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving

• arxiv url: http://arxiv.org/abs/2102.11344v1
• Date: Mon, 22 Feb 2021 20:37:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 13:57:20.065315
• Title: HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem Solving
• Title（参考訳）: HALMA: 迅速な問題解決において、人間のような抽象学習が加速する
• Authors: Sirui Xie, Xiaojian Ma, Peiyu Yu, Yixin Zhu, Ying Nian Wu, Song-Chun Zhu
• Abstract要約: 人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。 エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
• 参考スコア（独自算出の注目度）: 104.79156980475686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans learn compositional and causal abstraction, \ie, knowledge, in response to the structure of naturalistic tasks. When presented with a problem-solving task involving some objects, toddlers would first interact with these objects to reckon what they are and what can be done with them. Leveraging these concepts, they could understand the internal structure of this task, without seeing all of the problem instances. Remarkably, they further build cognitively executable strategies to \emph{rapidly} solve novel problems. To empower a learning agent with similar capability, we argue there shall be three levels of generalization in how an agent represents its knowledge: perceptual, conceptual, and algorithmic. In this paper, we devise the very first systematic benchmark that offers joint evaluation covering all three levels. This benchmark is centered around a novel task domain, HALMA, for visual concept development and rapid problem-solving. Uniquely, HALMA has a minimum yet complete concept space, upon which we introduce a novel paradigm to rigorously diagnose and dissect learning agents' capability in understanding and generalizing complex and structural concepts. We conduct extensive experiments on reinforcement learning agents with various inductive biases and carefully report their proficiency and weakness.
• Abstract（参考訳）: 人間は自然主義的タスクの構造に応じて、構成的および因果的抽象、すなわち知識を学ぶ。 いくつかのオブジェクトを含む問題解決タスクを提示すると、幼児はまずこれらのオブジェクトと対話し、それらが何で何ができるのかを推測する。 これらの概念を活用することで、すべての問題インスタンスを見ることなく、このタスクの内部構造を理解することができる。 注目すべきは、新しい問題を解決するために認知的に実行可能な戦略をさらに構築することである。 学習エージェントに類似した能力を与えるためには,エージェントがその知識をどう表現するか,知覚的,概念的,アルゴリズム的な3段階の一般化が必要であると論じる。 本稿では,3つのレベルすべてをカバーする共同評価を行う,最初の体系的ベンチマークを考案する。 このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。 HALMAには最小でも完全な概念空間があり、複雑で構造的な概念を理解し、一般化する学習エージェントの能力を厳格に診断し、識別する新しいパラダイムを導入する。 各種誘導バイアスを有する強化学習エージェントについて広範な実験を行い,その習熟度と弱点を慎重に報告する。

関連論文リスト

• Discovering Conceptual Knowledge with Analytic Ontology Templates for Articulated Objects [42.9186628100765]
  我々は,概念レベルでの動作を通じて,機械知能に類似の能力を持たせることを目指している。 AOT駆動のアプローチは、3つの重要な観点で利益をもたらす。
  論文  参考訳（メタデータ） (2024-09-18T04:53:38Z)
• Brain in a Vat: On Missing Pieces Towards Artificial General Intelligence in Large Language Models [83.63242931107638]
  本稿では,知的エージェントの4つの特徴について述べる。 実世界の物体との活発な関わりは、概念的表現を形成するためのより堅牢な信号をもたらすと我々は主張する。 我々は、人工知能分野における将来的な研究の方向性を概説して結論付ける。
  論文  参考訳（メタデータ） (2023-07-07T13:58:16Z)
• 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)
• EgoTaskQA: Understanding Human Tasks in Egocentric Videos [89.9573084127155]
  EgoTaskQAベンチマークは、現実世界のエゴセントリックなビデオに対する質問回答を通じて、タスク理解の重要な次元を提供する。 我々は,(1)行動依存と効果,(2)意図と目標,(3)エージェントの他者に対する信念の理解を念頭に設計する。 我々は、我々のベンチマークで最先端のビデオ推論モデルを評価し、複雑なゴール指向のエゴセントリックなビデオを理解する上で、人間の間に大きなギャップがあることを示します。
  論文  参考訳（メタデータ） (2022-10-08T05:49:05Z)
• How to Reuse and Compose Knowledge for a Lifetime of Tasks: A Survey on Continual Learning and Functional Composition [26.524289609910653]
  人工知能(AI)の主な目標は、世界の一般的な理解を得ることができるエージェントを作ることである。 生涯的あるいは継続的な学習はこの設定に対処し、エージェントは継続的な問題の流れに直面し、遭遇する各新しいタスクの解決に必要な知識を捉えなければならない。 この単純なアイデアの直感的な魅力にもかかわらず、生涯学習と作曲学習に関する文献は、大きく別々に進められている。
  論文  参考訳（メタデータ） (2022-07-15T19:53:20Z)
• Systematic human learning and generalization from a brief tutorial with explanatory feedback [3.7826494079172557]
  本研究では,人間の成体による抽象的推論課題の学習能力について考察する。 課題をマスターする参加者は,少数の試行錯誤で達成し,学習範囲外のパズルによく当てはまる。 また,課題を習得した者の多くは有効な解法戦略を記述でき,その参加者は,戦略記述が曖昧で不完全である者よりも,伝達パズルに優れていた。
  論文  参考訳（メタデータ） (2021-07-10T00:14:41Z)
• Computational principles of intelligence: learning and reasoning with neural networks [0.0]
  本研究は3つの原則に基づく新しい知能の枠組みを提案する。 まず、学習された入力表現の生成的およびミラーリング的性質。 第二に、学習、問題解決、想像力のための基礎的、本質的で反復的なプロセス。 第三に、阻害規則を用いた因果的構成表現に対する推論メカニズムのアドホックチューニング。
  論文  参考訳（メタデータ） (2020-12-17T10:03:26Z)
• Bongard-LOGO: A New Benchmark for Human-Level Concept Learning and Reasoning [78.13740873213223]
  ボナード問題(BP)は、インテリジェントシステムにおける視覚認知へのインスピレーションとして導入された。 我々は人間レベルの概念学習と推論のための新しいベンチマークBongard-LOGOを提案する。
  論文  参考訳（メタデータ） (2020-10-02T03:19:46Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。