論文の概要: From internal models toward metacognitive AI
- arxiv url: http://arxiv.org/abs/2109.12798v1
- Date: Mon, 27 Sep 2021 05:00:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:21:35.012882
- Title: From internal models toward metacognitive AI
- Title(参考訳): 内部モデルからメタ認知AIへ
- Authors: Mitsuo Kawato (ATR), Aurelio Cortese (ATR/RIKEN)
- Abstract要約: 前頭前皮質では、「認知現実監視ネットワーク」と呼ばれる分散型エグゼクティブネットワークが、生成的逆モデルペアの意識的な関与を編成する。
高い責任信号は、外界を最も捉えているペアに与えられる。
意識はすべての対における責任信号のエントロピーによって決定される。
- 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: In several papers published in Biological Cybernetics in the 1980s and 1990s,
Kawato and colleagues proposed computational models explaining how internal
models are acquired in the cerebellum. These models were later supported by
neurophysiological experiments using monkeys and neuroimaging experiments
involving humans. These early studies influenced neuroscience from basic,
sensory-motor control to higher cognitive functions. One of the most perplexing
enigmas related to internal models is to understand the neural mechanisms that
enable animals to learn large-dimensional problems with so few trials.
Consciousness and metacognition -- the ability to monitor one's own thoughts,
may be part of the solution to this enigma. Based on literature reviews of the
past 20 years, here we propose a computational neuroscience model of
metacognition. The model comprises a modular hierarchical
reinforcement-learning architecture of parallel and layered, generative-inverse
model pairs. In the prefrontal cortex, a distributed executive network called
the "cognitive reality monitoring network" (CRMN) orchestrates conscious
involvement of generative-inverse model pairs in perception and action. Based
on mismatches between computations by generative and inverse models, as well as
reward prediction errors, CRMN computes a "responsibility signal" that gates
selection and learning of pairs in perception, action, and reinforcement
learning. A high responsibility signal is given to the pairs that best capture
the external world, that are competent in movements (small mismatch), and that
are capable of reinforcement learning (small reward prediction error). CRMN
selects pairs with higher responsibility signals as objects of metacognition,
and consciousness is determined by the entropy of responsibility signals across
all pairs.
- Abstract(参考訳): 1980年代と1990年代にバイオサイバネティクスで発表されたいくつかの論文で、カワトらは小脳内でどのように内部モデルが獲得されるかを説明する計算モデルを提案した。
これらのモデルは後にサルを用いた神経生理学的実験やヒトを含む神経画像実験によって支持された。
これらの初期の研究は神経科学の基本的な感覚運動制御から高い認知機能に影響を与えた。
内部モデルに関連する最も複雑な謎の1つは、動物が少数の試行錯誤で大きめの問題を学べる神経機構を理解することである。
意識とメタ認知 -- 自分の思考を監視する能力 -- は、この謎に対する解決策の一部かもしれない。
本稿では,過去20年間の文献レビューに基づいて,メタ認知の計算神経科学モデルを提案する。
このモデルは、並列および層状、生成逆モデルペアからなるモジュラー階層的強化学習アーキテクチャを含む。
前頭前皮質では、「認知現実監視ネットワーク」(CRMN)と呼ばれる分散型エグゼクティブネットワークが、認知と行動における生成的逆モデルペアの意識的な関与を編成する。
生成モデルと逆モデルによる計算と報酬予測誤差のミスマッチに基づいてCRMNは、認識、行動、強化学習におけるペアの選択と学習をゲートする「責任信号」を計算する。
高い責任の信号は、外界を最も捉えやすく、動きに適しており(小さなミスマッチ)、強化学習(小さな報酬予測エラー)ができるペアに与えられる。
CRMNはメタ認知のオブジェクトとして高い責任信号を持つペアを選択し、すべてのペアにおける責任信号のエントロピーによって意識が決定される。
関連論文リスト
- 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) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳(メタデータ) (2023-10-14T23:28:48Z) - Control of synaptic plasticity via the fusion of reinforcement learning
and unsupervised learning in neural networks [0.0]
認知神経科学では、シナプスの可塑性が我々の驚くべき学習能力に不可欠な役割を担っていると広く受け入れられている。
このインスピレーションにより、強化学習と教師なし学習の融合により、新しい学習規則が提案される。
提案した計算モデルでは,非線形最適制御理論を誤差フィードバックループ系に類似させる。
論文 参考訳(メタデータ) (2023-03-26T12:18:03Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳(メタデータ) (2021-11-29T15:27:51Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳(メタデータ) (2021-07-10T19:02:27Z) - A brain basis of dynamical intelligence for AI and computational
neuroscience [0.0]
より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。
本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
論文 参考訳(メタデータ) (2021-05-15T19:49:32Z) - Explanatory models in neuroscience: Part 2 -- constraint-based
intelligibility [8.477619837043214]
計算モデリングは神経科学においてますます重要な役割を担い、モデルがどのように説明するかという哲学的な疑問を浮き彫りにしている。
生物学的システムでは、これらの依存関係の多くは自然に「トップダウン」である
NNモデルの構築に使用される最適化手法が,これらの依存関係のいくつかの重要な側面をいかに捉えているかを示す。
論文 参考訳(メタデータ) (2021-04-03T22:14:01Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z) - A Neural Dynamic Model based on Activation Diffusion and a
Micro-Explanation for Cognitive Operations [4.416484585765028]
記憶の神経機構は、人工知能における表現の問題と非常に密接な関係を持っている。
脳内のニューロンのネットワークとその情報処理のシミュレーションを行う計算モデルが提案された。
論文 参考訳(メタデータ) (2020-11-27T01:34:08Z) - Learning to infer in recurrent biological networks [4.56877715768796]
大脳皮質は逆アルゴリズムで学習するかもしれないと我々は主張する。
画像とビデオのデータセットをモデル化するために訓練されたリカレントニューラルネットワークについて説明する。
論文 参考訳(メタデータ) (2020-06-18T19:04:47Z) - Towards a Neural Model for Serial Order in Frontal Cortex: a Brain
Theory from Memory Development to Higher-Level Cognition [53.816853325427424]
そこで本研究では,未熟な前頭前野 (PFC) が側頭葉信号の階層的パターンを検出する主要な機能を利用していることを提案する。
我々の仮説では、PFCは順序パターンの形で時間的配列の階層構造を検出し、それらを脳の異なる部分で階層的に情報をインデックスするために利用する。
これにより、抽象的な知識を操作し、時間的に順序付けられた情報を計画するための言語対応の脳にツールを提供する。
論文 参考訳(メタデータ) (2020-05-22T14:29:51Z)
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。