論文の概要: From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven
Learning in Artificial Intelligence Tasks
- arxiv url: http://arxiv.org/abs/2201.08300v1
- Date: Thu, 20 Jan 2022 17:07:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 15:40:24.685498
- Title: From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven
Learning in Artificial Intelligence Tasks
- Title（参考訳）: 心理学的好奇心から人工好奇心へ:人工知能タスクにおける好奇心駆動学習
- Authors: Chenyu Sun, Hangwei Qian and Chunyan Miao
- Abstract要約: 心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。
人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。
CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
- 参考スコア（独自算出の注目度）: 56.20123080771364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Psychological curiosity plays a significant role in human intelligence to
enhance learning through exploration and information acquisition. In the
Artificial Intelligence (AI) community, artificial curiosity provides a natural
intrinsic motivation for efficient learning as inspired by human cognitive
development; meanwhile, it can bridge the existing gap between AI research and
practical application scenarios, such as overfitting, poor generalization,
limited training samples, high computational cost, etc. As a result,
curiosity-driven learning (CDL) has become increasingly popular, where agents
are self-motivated to learn novel knowledge. In this paper, we first present a
comprehensive review on the psychological study of curiosity and summarize a
unified framework for quantifying curiosity as well as its arousal mechanism.
Based on the psychological principle, we further survey the literature of
existing CDL methods in the fields of Reinforcement Learning, Recommendation,
and Classification, where both advantages and disadvantages as well as future
work are discussed. As a result, this work provides fruitful insights for
future CDL research and yield possible directions for further improvement.
- Abstract（参考訳）: 心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。
人工知能(ai)コミュニティでは、人工知能は人間の認知開発にインスパイアされた効率的な学習に自然な本質的な動機を与え、一方、ai研究と、過剰フィッティング、不適切な一般化、限られたトレーニングサンプル、高い計算コストといった実際の応用シナリオとのギャップを埋めることができる。
その結果、好奇心駆動学習(cdl)がますます普及し、エージェントが新しい知識を学ぶ動機付けになっている。
本稿では,まず,好奇心の心理学的研究の包括的レビューを行い,好奇心を定量化するための統一的な枠組みとその覚醒メカニズムについて述べる。
この心理学的原理に基づき,強化学習,推薦,分類の分野における既存のcdl手法の文献をさらに調査し,その利点と欠点,今後の課題について考察した。
その結果,本研究は今後のCDL研究に有意義な洞察を与え,さらなる改善の道筋を得ることができた。
関連論文リスト
- Bridging Neuroscience and AI: Environmental Enrichment as a Model for Forward Knowledge Transfer [0.0]
本研究では, 環境富化(EE)が, 転送研究の生物学的モデルとして利用できることを示唆する。
EEは、認知、社会的、運動、感覚刺激を高める動物研究を指す。
人工ニューラルネットワーク(ANN)が、豊かな経験の後の神経変化を予測するためにどのように使用できるかについて議論する。
論文 参考訳（メタデータ） (2024-05-12T14:33:50Z) - Visual Knowledge in the Big Model Era: Retrospect and Prospect [63.282425615863]
視覚知識は、視覚概念とその関係を簡潔で包括的で解釈可能な方法でカプセル化できる新しい知識表現である。
視覚世界に関する知識は、人間の認知と知性にとって欠かせない要素として認識されているため、視覚知識は、機械知性を確立する上で重要な役割を担っていると考えられる。
論文 参考訳（メタデータ） (2024-04-05T07:31:24Z) - 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) - Advancing Perception in Artificial Intelligence through Principles of
Cognitive Science [6.637438611344584]
我々は、周囲の信号を入力として取り、それを処理して環境を理解する、知覚の認知機能に焦点を当てる。
我々は、認知科学にインスパイアされたAIシステムを構築するために、AIに一連の方法を提案する。
論文 参考訳（メタデータ） (2023-10-13T01:21:55Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。
本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。
これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文 参考訳（メタデータ） (2023-03-24T13:24:41Z) - Deep Active Learning for Computer Vision: Past and Future [50.19394935978135]
AIモデルの開発に欠かせない役割にもかかわらず、アクティブラーニングの研究は他の研究の方向性ほど集中的ではない。
データ自動化の課題に対処し、自動化された機械学習システムに対処することによって、アクティブな学習はAI技術の民主化を促進する。
論文 参考訳（メタデータ） (2022-11-27T13:07:14Z) - A Novel Multimodal Approach for Studying the Dynamics of Curiosity in
Small Group Learning [2.55061802822074]
本稿では,仲間の観察可能な行動と根底にある好奇心状態とを結びつける,好奇心の統合社会認知的記述を提案する。
我々は、好奇心に寄与する個人機能と対人機能と、これらの機能を満たすマルチモーダル動作を区別する。
この研究は、社会的文脈における学習中にモーメント・バイ・モーメントの好奇心を認識して誘発できる学習技術を設計するためのステップである。
論文 参考訳（メタデータ） (2022-04-01T16:12:40Z) - The growth and form of knowledge networks by kinesthetic curiosity [0.39325957466009187]
ネットワーク科学、統計物理学、哲学が、特定の多様性と知覚的な好奇心の心理学的側面を統一し拡張するアプローチにどのように統合できるかを示す。
好奇心の審美的モデルは、モデルに基づく強化学習の熟考的予測と相容れない。
論文 参考訳（メタデータ） (2020-06-04T15:30:41Z)
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。