Fugu-MT 論文翻訳(概要): A Computational Model for Machine Thinking

論文の概要: A Computational Model for Machine Thinking

arxiv url: http://arxiv.org/abs/2201.08122v1
Date: Thu, 20 Jan 2022 12:01:06 GMT
ステータス: 処理完了
システム内更新日: 2022-01-21 14:22:59.857871
Title: A Computational Model for Machine Thinking
Title（参考訳）: 機械思考のための計算モデル
Authors: Slimane Larabi
Abstract要約: コンピュータビジョンの最近の進歩と、脳理解に特化した神経科学の最近の成果に基づいて、機械思考モデルを提案する。自然言語の文形式での機械思考の結果や、情報的あるいは決定的なスケッチを提示する。
参考スコア（独自算出の注目度）: 1.52292571922932
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: A machine thinking model is proposed in this report based on recent advances of computer vision and the recent results of neuroscience devoted to brain understanding. We deliver the result of machine thinking in the form of sentences of natural-language or drawn sketches either informative or decisional. This result is obtained from a reasoning performed on new acquired data and memorized data.
Abstract（参考訳）: 本報告では,コンピュータビジョンの最近の進歩と脳の理解に関する神経科学の最近の成果に基づいて,機械思考モデルを提案する。自然言語の文形式での機械思考の結果や、情報的あるいは決定的なスケッチを提示する。この結果は、新たな取得データおよび記憶データに対して実行される推論から得られる。

関連論文リスト

Computational Models to Study Language Processing in the Human Brain: A Survey [47.81066391664416]
本稿では,脳研究における計算モデルの利用の取り組みを概観し,新たな傾向を浮き彫りにしている。我々の分析によると、すべてのデータセットで他のモデルよりも優れているモデルはない。
論文参考訳（メタデータ） (2024-03-20T08:01:22Z)
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)
On the Relationships between Graph Neural Networks for the Simulation of Physical Systems and Classical Numerical Methods [0.0]
物理システムのモデリングにおける機械学習手法の最近の発展は、計算科学における数値的手法の過去の発展を反映し始めている。現状の機械学習手法にはまだ適用されていないシミュレーション手法の概要を述べる。我々は、科学のための機械学習モデルをより効率的にするためのこれらのアプローチの可能性について、展望を提示して結論付ける。
論文参考訳（メタデータ） (2023-03-31T21:51:00Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning [27.841725567976315]
本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
論文参考訳（メタデータ） (2022-03-30T17:01:59Z)
Explainable AI Enabled Inspection of Business Process Prediction Models [2.5229940062544496]
本稿では,モデル説明を用いて,機械学習の予測によって適用された推論を解析する手法を提案する。本手法の新たな貢献は,解釈可能な機械学習機構によって生成された説明と,過去のプロセス実行を記録するイベントログから抽出された文脈的,あるいはドメイン的知識の両方を活用するモデル検査の提案である。
論文参考訳（メタデータ） (2021-07-16T06:51:18Z)
Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文参考訳（メタデータ） (2021-03-22T12:42:16Z)
Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文参考訳（メタデータ） (2021-03-18T12:57:34Z)
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)

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。