論文の概要: A Survey on Machine Learning Approaches for Modelling Intuitive Physics

• arxiv url: http://arxiv.org/abs/2202.06481v1
• Date: Mon, 14 Feb 2022 04:44:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 14:51:08.048742
• Title: A Survey on Machine Learning Approaches for Modelling Intuitive Physics
• Title（参考訳）: 直観物理学モデリングのための機械学習手法の検討
• Authors: Jiafei Duan, Arijit Dasgupta, Jason Fischer, Cheston Tan
• Abstract要約: 直観物理学は直観物理学として知られる認知能力です 機械認知のための直感的な物理をモデル化する現代のアプローチの多くは、認知科学の文献から着想を得たものである。 本稿では、直感的な物理に触発された深層学習手法における最近の進歩と技術に関する包括的調査について述べる。
• 参考スコア（独自算出の注目度）: 1.3190581566723918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research in cognitive science has provided extensive evidence on human cognitive ability in performing physical reasoning of objects from noisy perceptual inputs. Such a cognitive ability is commonly known as intuitive physics. With the advancements in deep learning, there is an increasing interest in building intelligent systems that are capable of performing physical reasoning from a given scene for the purpose of advancing fluid and building safer AI systems. As a result, many of the contemporary approaches in modelling intuitive physics for machine cognition have been inspired by literature from cognitive science. Despite the wide range of work in physical reasoning for machine cognition, there is a scarcity of reviews that organize and group these deep learning approaches. Especially at the intersection of intuitive physics and artificial intelligence, there is a need to make sense of the diverse range of ideas and approaches. Therefore, this paper presents a comprehensive survey of recent advances and techniques in intuitive physics-inspired deep learning approaches for physical reasoning. The survey will first categorize existing deep learning approaches into three facets of physical reasoning before organizing them into three general technical approaches and propose six categorical tasks of the field. Finally, we highlight the challenges of the current field and present some future research directions.
• Abstract（参考訳）: 認知科学の研究は、ノイズの多い知覚入力から物体を物理的に推論する人間の認知能力に関する広範な証拠を提供している。 このような認知能力は直観物理学として知られている。 ディープラーニングの進歩に伴い、流体を前進させ、より安全なAIシステムを構築するために、特定のシーンから物理的推論を行うことのできるインテリジェントシステムの構築への関心が高まっている。 その結果、機械認知のための直感的物理学をモデル化する現代の多くのアプローチは、認知科学の文献から着想を得ている。 機械認知のための物理的推論の幅広い研究にもかかわらず、これらの深層学習アプローチを組織化しグループ化するレビューは少ない。 特に直感的な物理学と人工知能の交差点では、さまざまな考え方やアプローチを理解する必要があります。 そこで本研究では,直感的な物理に着想を得た深層学習手法における最近の進歩と手法を総合的に調査する。 この調査は、既存のディープラーニングアプローチを3つの物理的推論の側面に分類し、それらを3つの一般的な技術的アプローチに分類し、この分野の6つのカテゴリ的タスクを提案する。 最後に,現状の課題を浮き彫りにし,今後の方向性について述べる。

関連論文リスト

• Visual cognition in multimodal large language models [12.603212933816206]
  近年の進歩は、人間のような認知能力をエミュレートする可能性への関心を再燃させた。 本稿では、直観物理学、因果推論、直観心理学の分野における視覚に基づく大規模言語モデルの現状を評価する。
  論文  参考訳（メタデータ） (2023-11-27T18:58:34Z)
• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• Intrinsic Physical Concepts Discovery with Object-Centric Predictive Models [86.25460882547581]
  PHYsical Concepts Inference NEtwork (PHYCINE) は、異なる抽象レベルの物理概念を監督なしで推論するシステムである。 物理概念変数を含むオブジェクト表現は因果推論タスクの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:52:21Z)
• A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
  我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
  論文  参考訳（メタデータ） (2022-12-20T18:46:16Z)
• Physics-Informed Machine Learning: A Survey on Problems, Methods and Applications [31.157298426186653]
  最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。 本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:34:30Z)
• From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
  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。
  論文  参考訳（メタデータ） (2022-01-20T17:07:03Z)
• Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
  私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。 決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。 数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
  論文  参考訳（メタデータ） (2020-10-27T12:12:12Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Computer-inspired Quantum Experiments [1.2891210250935146]
  多くの分野において、コンピュータにインスパイアされた設計プロセスは、逆設計としても知られ、科学者の能力を高めている。 我々は、トポロジ的最適化、進化戦略、ディープラーニング、強化学習、自動推論に基づく、非常に多様な計算アプローチに遭遇する。
  論文  参考訳（メタデータ） (2020-02-23T18:59:00Z)
• A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
  物体知覚はコンピュータビジョンの基本的なサブフィールドである。 最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
  論文  参考訳（メタデータ） (2019-12-26T13:26:49Z)

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。