論文の概要: KANDINSKYPatterns -- An experimental exploration environment for Pattern
Analysis and Machine Intelligence
- arxiv url: http://arxiv.org/abs/2103.00519v1
- Date: Sun, 28 Feb 2021 14:09:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:46:09.103273
- Title: KANDINSKYPatterns -- An experimental exploration environment for Pattern
Analysis and Machine Intelligence
- Title（参考訳）: KANDINSKYPatterns -- パターン分析とマシンインテリジェンスのための実験的探索環境
- Authors: Andreas Holzinger, Anna Saranti, Heimo Mueller
- Abstract要約: 我々は、ロシア人画家ワシリー・カンジンクシーに因んで命名されたカンディNSKYパタンスについて紹介する。
すべての知覚が 幾何学的に原始的な個々の要素から成り立っています
KandiNSKYPatternsは計算的に制御可能な特性を持つため、人間の観察者、すなわち制御されたパターンは人間とアルゴリズムの両方で容易に区別できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Machine intelligence is very successful at standard recognition tasks when
having high-quality training data. There is still a significant gap between
machine-level pattern recognition and human-level concept learning. Humans can
learn under uncertainty from only a few examples and generalize these concepts
to solve new problems. The growing interest in explainable machine
intelligence, requires experimental environments and diagnostic tests to
analyze weaknesses in existing approaches to drive progress in the field. In
this paper, we discuss existing diagnostic tests and test data sets such as
CLEVR, CLEVERER, CLOSURE, CURI, Bongard-LOGO, V-PROM, and present our own
experimental environment: The KANDINSKYPatterns, named after the Russian artist
Wassily Kandinksy, who made theoretical contributions to compositivity, i.e.
that all perceptions consist of geometrically elementary individual components.
This was experimentally proven by Hubel &Wiesel in the 1960s and became the
basis for machine learning approaches such as the Neocognitron and the even
later Deep Learning. While KANDINSKYPatterns have computationally controllable
properties on the one hand, bringing ground truth, they are also easily
distinguishable by human observers, i.e., controlled patterns can be described
by both humans and algorithms, making them another important contribution to
international research in machine intelligence.
- Abstract（参考訳）: 機械学習は、高品質なトレーニングデータを持つ標準的な認識タスクで非常に成功しています。
機械レベルのパターン認識と人間レベルの概念学習の間にはまだ大きなギャップがあります。
人間はいくつかの例から不確実性の下で学び、これらの概念を一般化して新しい問題を解決することができる。
説明可能なマシンインテリジェンスへの関心が高まっているため、現場の進歩を促進するために既存のアプローチの弱点を分析するために実験環境と診断テストが必要である。
本稿では, cleVR, CLEVERER, CLOSURE, CURI, Bongard-LOGO, V-PROMなどの既存の診断テストとテストデータセットについて考察し, 自身の実験環境を提示する。
すべての知覚が 幾何学的に原始的な個々の要素から成り立っています
これは1960年代にHubel & Wieselによって実験的に証明され、NeocognitronやDeep Learningのような機械学習アプローチの基礎となった。
一方、KADINSKYPatternsは計算的に制御可能な性質を持つが、人間の観察者、すなわち制御されたパターンは人間とアルゴリズムの両方で記述できるため、機械知能の国際研究にもう1つの重要な貢献をする。
関連論文リスト
- User-centric evaluation of explainability of AI with and for humans: a comprehensive empirical study [5.775094401949666]
この研究はHuman-Centered Artificial Intelligence (HCAI)にある。
一般的に使用されるeXplainable Artificial Intelligence (XAI)アルゴリズムのユーザ中心評価の結果に焦点を当てている。
論文 参考訳（メタデータ） (2024-10-21T12:32:39Z) - Coupling Machine Learning with Ontology for Robotics Applications [0.0]
動的シナリオにおける事前知識の可用性の欠如は、間違いなくスケーラブルなマシンインテリジェンスにとって大きな障壁である。
二つの階層間の相互作用についての私の見解は、知識が知識ベース層で容易に利用できない場合、他の階層からより多くの知識を抽出できるという考えに基づいている。
論文 参考訳（メタデータ） (2024-06-08T23:38:03Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - 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) - 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) - Human-Robot Collaboration and Machine Learning: A Systematic Review of
Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。
本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文 参考訳（メタデータ） (2021-10-14T15:14:33Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - 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) - Exploring The Spatial Reasoning Ability of Neural Models in Human IQ
Tests [19.338539583910023]
我々は,空間的推論に注目し,ニューラルモデルの空間的理解を探究する。
さまざまな複雑性レベルからなるデータセットを構築しました。
モデルの一般化能力に影響を与える結果と要因について分析する。
論文 参考訳（メタデータ） (2020-04-11T09:41:46Z)
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。