論文の概要: Problem Learning: Towards the Free Will of Machines
- arxiv url: http://arxiv.org/abs/2109.00177v1
- Date: Wed, 1 Sep 2021 04:08:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-02 14:33:24.988934
- Title: Problem Learning: Towards the Free Will of Machines
- Title（参考訳）: 問題学習: 機械の自由意志に向けて
- Authors: Yongfeng Zhang
- Abstract要約: 本稿では,データやマシンの環境との相互作用から,有効かつ倫理的な問題を発見し,定義することを目的とした問題解決について述べる。
より広い意味では、問題解決は知的機械の自由意志へのアプローチである。
- 参考スコア（独自算出の注目度）: 19.365648708008624
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A machine intelligence pipeline usually consists of six components: problem,
representation, model, loss, optimizer and metric. Researchers have worked hard
trying to automate many components of the pipeline. However, one key component
of the pipeline--problem definition--is still left mostly unexplored in terms
of automation. Usually, it requires extensive efforts from domain experts to
identify, define and formulate important problems in an area. However,
automatically discovering research or application problems for an area is
beneficial since it helps to identify valid and potentially important problems
hidden in data that are unknown to domain experts, expand the scope of tasks
that we can do in an area, and even inspire completely new findings.
This paper describes Problem Learning, which aims at learning to discover and
define valid and ethical problems from data or from the machine's interaction
with the environment. We formalize problem learning as the identification of
valid and ethical problems in a problem space and introduce several possible
approaches to problem learning. In a broader sense, problem learning is an
approach towards the free will of intelligent machines. Currently, machines are
still limited to solving the problems defined by humans, without the ability or
flexibility to freely explore various possible problems that are even unknown
to humans. Though many machine learning techniques have been developed and
integrated into intelligent systems, they still focus on the means rather than
the purpose in that machines are still solving human defined problems. However,
proposing good problems is sometimes even more important than solving problems,
because a good problem can help to inspire new ideas and gain deeper
understandings. The paper also discusses the ethical implications of problem
learning under the background of Responsible AI.
- Abstract（参考訳）: マシンインテリジェンスパイプラインは通常、問題、表現、モデル、損失、オプティマイザ、メトリックの6つのコンポーネントで構成される。
研究者はパイプラインの多くのコンポーネントを自動化しようと懸命に取り組んできた。
しかしながら、パイプライン定義の重要なコンポーネントである--problemの定義は、自動化に関してほとんど未検討のままである。
通常、ある領域で重要な問題を特定、定義、定式化するために、ドメインの専門家からの多大な努力が必要です。
しかし、ドメインの専門家が知らないデータに隠されている正当で潜在的に重要な問題を識別し、ある領域でできるタスクの範囲を拡大し、全く新しい発見を刺激するのに役立つため、領域に対する研究やアプリケーションの問題を自動的に発見することは有益である。
本稿では,データや機械の環境との相互作用から有効かつ倫理的な問題を発見・定義することを目的とした問題学習について述べる。
問題空間における有効かつ倫理的な問題の同定として問題学習を定式化し,問題学習に可能なアプローチをいくつか紹介する。
より広い意味では、問題学習は知的機械の自由意志へのアプローチである。
現在、機械は人間によって定義された問題を解決することに限定されており、人間には未知の様々な可能な問題を自由に探索できる能力や柔軟性がない。
多くの機械学習技術が開発され、インテリジェントシステムに統合されているが、機械がまだ人間の定義した問題を解決する目的ではなく、手段に焦点を当てている。
しかし、よい問題が新しいアイデアを刺激し、より深い理解を得るのに役立つため、よい問題を提案することは問題解決よりも重要であることがある。
また,Responsible AIの背景にある問題学習の倫理的意味についても論じる。
関連論文リスト
- Eliciting Problem Specifications via Large Language Models [4.055489363682198]
大型言語モデル(LLM)は、問題クラスを半形式仕様にマッピングするために利用することができる。
認知システムは、問題空間仕様を使用して、問題クラスからの問題の複数のインスタンスを解決することができる。
論文 参考訳（メタデータ） (2024-05-20T16:19:02Z) - MacGyver: Are Large Language Models Creative Problem Solvers? [87.70522322728581]
本稿では, 現代LLMの創造的問題解決能力について, 制約付き環境下で検討する。
我々は1,600以上の実世界の問題からなる自動生成データセットであるMACGYVERを作成する。
我々はLLMと人間の両方にコレクションを提示し、それらの問題解決能力を比較して比較する。
論文 参考訳（メタデータ） (2023-11-16T08:52:27Z) - Reliable AI: Does the Next Generation Require Quantum Computing? [71.84486326350338]
デジタルハードウェアは、最適化、ディープラーニング、微分方程式に関する問題の解決に本質的に制約されていることを示す。
対照的に、Blum-Shub-Smale マシンのようなアナログコンピューティングモデルは、これらの制限を克服する可能性を示している。
論文 参考訳（メタデータ） (2023-07-03T19:10:45Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Mathematics, word problems, common sense, and artificial intelligence [0.0]
本稿では,基本知識とコモンセンス推論を組み合わせた単語問題の解法として,現在の人工知能(AI)技術の能力と限界について論じる。
我々は、AI自然言語技術を用いて開発されている3つのアプローチについてレビューする。
純粋な数学的研究のためのAI技術を開発する上で、このような制限が重要であるかどうかは明らかではない、と我々は主張する。
論文 参考訳（メタデータ） (2023-01-23T21:21:39Z) - From Machine Learning to Robotics: Challenges and Opportunities for
Embodied Intelligence [113.06484656032978]
記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。
私たちは、インテリジェンスを具体化するための課題と機会を強調します。
本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
論文 参考訳（メタデータ） (2021-10-28T16:04:01Z) - 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) - Problems in AI research and how the SP System may help to solve them [0.0]
本稿では,AI研究における問題点と,SPシステムがそれらをどのように解決するかについて述べる。
問題のほとんどは、科学作家のMartin Ford氏へのインタビューで、AIの先導的な研究者によって説明されている。
論文 参考訳（メタデータ） (2020-09-02T11:33:07Z) - A Review on Intelligent Object Perception Methods Combining
Knowledge-based Reasoning and Machine Learning [60.335974351919816]
物体知覚はコンピュータビジョンの基本的なサブフィールドである。
最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
論文 参考訳（メタデータ） (2019-12-26T13:26:49Z) - A Survey of Knowledge Representation in Service Robotics [10.220366465518262]
我々は、知識表現と、どのようにして知識が収集され、表現され、どのように再生され、問題を解決するかに焦点を当てる。
知識表現の定義に従って、そのような表現と有用な学習モデルの主な区別について議論する。
効果的な知識表現を設計する際に考慮すべき重要な原則について議論する。
論文 参考訳（メタデータ） (2018-07-05T22:18:08Z)
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。