論文の概要: Meta-brain Models: biologically-inspired cognitive agents
- arxiv url: http://arxiv.org/abs/2109.11938v1
- Date: Tue, 31 Aug 2021 05:20:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-03 10:37:47.674058
- Title: Meta-brain Models: biologically-inspired cognitive agents
- Title(参考訳): メタ脳モデル:生物学的に着想を得た認知エージェント
- Authors: Bradly Alicea, Jesse Parent
- Abstract要約: メタ脳モデルと呼ぶ計算手法を提案する。
特殊なモデルを用いて構成したレイヤの組み合わせを提案する。
我々は、この柔軟でオープンソースなアプローチの開発における次のステップを提案して、結論付けます。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Intelligence (AI) systems based solely on neural networks or
symbolic computation present a representational complexity challenge. While
minimal representations can produce behavioral outputs like locomotion or
simple decision-making, more elaborate internal representations might offer a
richer variety of behaviors. We propose that these issues can be addressed with
a computational approach we call meta-brain models. Meta-brain models are
embodied hybrid models that include layered components featuring varying
degrees of representational complexity. We will propose combinations of layers
composed using specialized types of models. Rather than using a generic black
box approach to unify each component, this relationship mimics systems like the
neocortical-thalamic system relationship of the Mammalian brain, which utilizes
both feedforward and feedback connectivity to facilitate functional
communication. Importantly, the relationship between layers can be made
anatomically explicit. This allows for structural specificity that can be
incorporated into the model's function in interesting ways. We will propose
several types of layers that might be functionally integrated into agents that
perform unique types of tasks, from agents that simultaneously perform
morphogenesis and perception, to agents that undergo morphogenesis and the
acquisition of conceptual representations simultaneously. Our approach to
meta-brain models involves creating models with different degrees of
representational complexity, creating a layered meta-architecture that mimics
the structural and functional heterogeneity of biological brains, and an
input/output methodology flexible enough to accommodate cognitive functions,
social interactions, and adaptive behaviors more generally. We will conclude by
proposing next steps in the development of this flexible and open-source
approach.
- Abstract(参考訳): ニューラルネットワークやシンボリック計算のみに基づく人工知能(AI)システムは、表現複雑性の課題を示す。
最小限の表現は、移動や単純な意思決定のような振る舞いのアウトプットを生成することができるが、より精巧な内部表現はよりリッチな振る舞いを提供するかもしれない。
我々は、これらの問題はメタ脳モデルと呼ばれる計算アプローチで解決できると提案する。
メタブレインモデル(Meta-brain model)は、表現の複雑さの度合いが異なる階層化されたコンポーネントを含む、エンボディされたハイブリッドモデルである。
我々は,特殊なモデルを用いて構成した層の組み合わせを提案する。
この関係は、各コンポーネントを統一するために一般的なブラックボックスアプローチを使うのではなく、機能的なコミュニケーションを容易にするためにフィードフォワードとフィードバックの両方を利用する哺乳類の脳の新皮質-視床系関係のようなシステムを模倣する。
重要なのは、レイヤ間の関係を解剖学的に明示することです。
これにより、興味深い方法でモデルの関数に組み込むことができる構造特異性が可能になる。
我々は,形態形成と知覚を同時に行うエージェントから,形態形成と概念的表現の獲得を同時に行うエージェントまで,特定のタスクを行うエージェントに機能的に統合されるいくつかのタイプのレイヤを提案する。
メタ脳モデルに対する我々のアプローチは、表現の複雑さの異なるモデルを作成し、生物学的脳の構造的および機能的不均一性を模倣する階層化されたメタアーキテクチャを作成し、より一般的に認知機能、社会的相互作用、適応行動に対応するのに十分な入出力方法論を作成することである。
我々は、この柔軟でオープンソースなアプローチの開発における次のステップを提案して、結論付けます。
関連論文リスト
- Growing Brains: Co-emergence of Anatomical and Functional Modularity in
Recurrent Neural Networks [18.375521792153112]
構成タスクで訓練されたリカレントニューラルネットワーク(RNN)は、機能的なモジュラリティを示すことができる。
我々は、脳に触発されたモジュラートレーニングという最近の機械学習手法を、合成認知タスクの集合を解決するためにトレーニングされているネットワークに適用する。
機能的および解剖学的クラスタリングが同時に出現し、機能的に類似したニューロンが空間的局所化および相互接続されるようになる。
論文 参考訳(メタデータ) (2023-10-11T17:58:25Z) - A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳(メタデータ) (2023-07-16T15:59:13Z) - 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) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳(メタデータ) (2022-05-06T03:45:36Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳(メタデータ) (2021-07-10T03:49:41Z) - Towards a Predictive Processing Implementation of the Common Model of
Cognition [79.63867412771461]
本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。
提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
論文 参考訳(メタデータ) (2021-05-15T22:55:23Z) - Explanatory models in neuroscience: Part 1 -- taking mechanistic
abstraction seriously [8.477619837043214]
批判者は、ニューラルネットワークモデルが脳の機能を照らすことができないことを心配している。
ある種のニューラルネットワークモデルは、実際には力学モデルのよい例である、と我々は主張する。
論文 参考訳(メタデータ) (2021-04-03T22:17:40Z) - Controlling Synthetic Characters in Simulations: A Case for Cognitive
Architectures and Sigma [0.0]
シミュレーションは、参加する合成文字に対して現実的で信頼できる振る舞いを生成する知性の計算モデルを必要とする。
Sigmaは認知アーキテクチャとシステムであり、象徴的認知アーキテクチャ、確率的グラフィカルモデル、そしてより最近のニューラルモデルに関する40年間にわたる独立した研究から学んだことを、そのグラフィカルアーキテクチャ仮説の下で組み合わせようとしている。
本稿では,Sigmaを多種多様な機能とともに導入し,その組み合わせを強調するために3つの概念実証Sigmaモデルを使用する。
論文 参考訳(メタデータ) (2021-01-06T19:07:36Z) - A multi-agent model for growing spiking neural networks [0.0]
このプロジェクトでは、学習メカニズムとして、スパイキングニューラルネットワークのニューロン間の接続を拡大するためのルールについて検討している。
シミュレーション環境での結果は、与えられたパラメータセットに対して、テストされた関数を再現するトポロジに到達可能であることを示した。
このプロジェクトはまた、モデルパラメーターに最適な値を得るために、遺伝的アルゴリズムのようなテクニックを使用するための扉を開く。
論文 参考訳(メタデータ) (2020-09-21T15:11:29Z) - Compositional Generalization by Learning Analytical Expressions [87.15737632096378]
メモリ拡張ニューラルモデルは、合成一般化を達成するために解析式に接続される。
良く知られたベンチマークSCANの実験は、我々のモデルが構成的一般化の優れた能力をつかむことを示した。
論文 参考訳(メタデータ) (2020-06-18T15:50:57Z) - Brain-inspired self-organization with cellular neuromorphic computing
for multimodal unsupervised learning [0.0]
本稿では,自己組織マップとヘビアン様学習を用いた再突入理論に基づく脳刺激型ニューラルシステムを提案する。
システムトポロジがユーザによって固定されるのではなく,自己組織化によって学習されるような,いわゆるハードウェアの可塑性の獲得について述べる。
論文 参考訳(メタデータ) (2020-04-11T21:02:45Z)
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。