論文の概要: Representing Knowledge as Predictions (and State as Knowledge)
- arxiv url: http://arxiv.org/abs/2112.06336v1
- Date: Sun, 12 Dec 2021 22:11:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 15:28:58.043880
- Title: Representing Knowledge as Predictions (and State as Knowledge)
- Title（参考訳）: 知識を予測として表す(そして知識としての状態)
- Authors: Mark Ring
- Abstract要約: 本稿では,エージェントの生のセンサモレータストリームから直接,単一のメカニズムで知識を階層的に構築する方法を示す。
本論文は, 人工エージェントが真の, 有用な, 抽象的な知識をいかに構築できるかを, 具体的, ステップ・バイ・ステップで示す詳細な思考実験である。
- 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: This paper shows how a single mechanism allows knowledge to be constructed
layer by layer directly from an agent's raw sensorimotor stream. This
mechanism, the General Value Function (GVF) or "forecast," captures high-level,
abstract knowledge as a set of predictions about existing features and
knowledge, based exclusively on the agent's low-level senses and actions.
Thus, forecasts provide a representation for organizing raw sensorimotor data
into useful abstractions over an unlimited number of layers--a long-sought goal
of AI and cognitive science.
The heart of this paper is a detailed thought experiment providing a
concrete, step-by-step formal illustration of how an artificial agent can build
true, useful, abstract knowledge from its raw sensorimotor experience alone.
The knowledge is represented as a set of layered predictions (forecasts) about
the agent's observed consequences of its actions. This illustration shows
twelve separate layers: the lowest consisting of raw pixels, touch and force
sensors, and a small number of actions; the higher layers increasing in
abstraction, eventually resulting in rich knowledge about the agent's world,
corresponding roughly to doorways, walls, rooms, and floor plans. I then argue
that this general mechanism may allow the representation of a broad spectrum of
everyday human knowledge.
- Abstract（参考訳）: 本稿では,エージェントの生のセンサモレータストリームから直接,単一のメカニズムで知識を階層的に構築する方法を示す。
このメカニズムは、一般価値関数(GVF)または「予測」と呼ばれ、エージェントの低レベルの感覚と行動のみに基づいて、既存の特徴と知識に関する予測セットとして、ハイレベルで抽象的な知識をキャプチャする。
したがって、予測は、aiと認知科学の長年の目標である、無限の層にまたがる有用な抽象化に生のセンサーモブターデータを整理するための表現を提供する。
本論文の核心は、人工エージェントが生の感覚運動者体験だけで真で有用な抽象的な知識をいかに構築できるかを、具体的かつ段階的に図示する詳細な思考実験である。
知識はエージェントの行動の観察結果に関する階層化された予測(予測)の集合として表現される。
この図は12つの異なる層を示している: 生のピクセル、タッチセンサー、フォースセンサーからなる最も低い層と、少数のアクション、より抽象的な層の増加、最終的にはエージェントの世界に関する豊富な知識、およそ戸口、壁、部屋、床の計画。
私は、この一般的なメカニズムは、日常的な人間の知識の幅広いスペクトルを表現することができると論じる。
関連論文リスト
- Augmented Commonsense Knowledge for Remote Object Grounding [67.30864498454805]
エージェントナビゲーションを改善するための時間的知識グラフとして,コモンセンス情報を活用するための拡張コモンセンス知識モデル(ACK)を提案する。
ACKは知識グラフ対応のクロスモーダルとコンセプトアグリゲーションモジュールで構成され、視覚的表現と視覚的テキストデータアライメントを強化する。
我々は、より正確な局所的な行動予測につながるコモンセンスに基づく意思決定プロセスのための新しいパイプラインを追加します。
論文 参考訳（メタデータ） (2024-06-03T12:12:33Z) - Exploring Concept Depth: How Large Language Models Acquire Knowledge at Different Layers? [57.04803703952721]
大規模言語モデル(LLM)は、幅広いタスクで顕著なパフォーマンスを示している。
しかし、これらのモデルが様々な複雑さのタスクを符号化するメカニズムは、いまだに理解されていない。
我々は、より複雑な概念が一般的により深い層で取得されることを示すために、概念深さの概念を紹介します。
論文 参考訳（メタデータ） (2024-04-10T14:56:40Z) - Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。
本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。
本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文 参考訳（メタデータ） (2024-01-05T02:00:27Z) - Acquiring and Modelling Abstract Commonsense Knowledge via Conceptualization [49.00409552570441]
本研究では,コモンセンス推論における概念化の役割について検討し,人間の概念化を再現する枠組みを定式化する。
ATOMIC は大規模な人為的注釈付き CKG であり,この枠組みを分類プロベースで支援している。
論文 参考訳（メタデータ） (2022-06-03T12:24:49Z) - Stochastic Coherence Over Attention Trajectory For Continuous Learning
In Video Streams [64.82800502603138]
本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。
提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。
実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
論文 参考訳（メタデータ） (2022-04-26T09:52:31Z) - Neurosymbolic Systems of Perception & Cognition: The Role of Attention [6.199795410316599]
累積学習を目的とした認知アーキテクチャは、必要な情報と制御構造を提供する必要がある。
あらゆる抽象レベルでの知識は、ニューロシンボリック情報(Neurosymbolic information)と呼ばれるものを含んでいる、と我々は主張する。
論文 参考訳（メタデータ） (2021-12-02T20:53:14Z) - Fast Concept Mapping: The Emergence of Human Abilities in Artificial
Neural Networks when Learning Embodied and Self-Supervised [0.0]
本稿では,人工エージェントが自己教師による探索を通じて,まず模擬世界で学習する仕組みを提案する。
我々は、ニューロンの相関した発火パターンを用いて意味概念を定義し、検出する高速概念マッピングと呼ばれる手法を用いる。
論文 参考訳（メタデータ） (2021-02-03T17:19:49Z) - TripleTree: A Versatile Interpretable Representation of Black Box Agents
and their Environments [9.822870889029113]
本稿では,状態空間を凸領域に識別する一般理解に向けて,多目的な第一歩を提案する。
我々は、CART決定木アルゴリズムの新しい変種を用いて、そのような表現を作成する。
予測,可視化,ルールに基づく説明を通じて,ブラックボックスエージェントの実践的理解を促進する方法を示す。
論文 参考訳（メタデータ） (2020-09-10T09:22:27Z) - Learning to Abstract and Predict Human Actions [60.85905430007731]
ビデオにおける人間の活動の階層構造をモデル化し,行動予測におけるそのような構造の効果を実証する。
イベントの部分的階層を観察し、その構造を複数の抽象化レベルで将来の予測にロールアウトすることで、人間の活動の構造を学習できる階層型ニューラルネットワークであるHierarchical-Refresher-Anticipatorを提案する。
論文 参考訳（メタデータ） (2020-08-20T23:57:58Z) - Deep Active Inference for Autonomous Robot Navigation [5.101580309985447]
アクティブ推論(英: Active Inference)とは、生物学的エージェントが現実世界で知覚し行動する方法の基盤となる理論である。
ディープラーニングの最近の進歩を活用して、事前に定義された状態空間なしで動作可能な、より複雑な生成モデルを構築します。
これは、現実世界のロボットナビゲーションタスクに対する深層能動推論の最初の応用である。
論文 参考訳（メタデータ） (2020-03-06T14:01:01Z)
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。