論文の概要: Navigating Conceptual Space; A new take on Artificial General Intelligence

• arxiv url: http://arxiv.org/abs/2202.09646v1
• Date: Sat, 19 Feb 2022 17:16:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 10:25:26.508773
• Title: Navigating Conceptual Space; A new take on Artificial General Intelligence
• Title（参考訳）: 概念空間をナビゲートする; 人工知能の新しいアプローチ
• Authors: Per R. Leikanger
• Abstract要約: 高次元ユークリッド空間における自律ナビゲーションを実現するために,ネオRLナビゲーションが有効かどうかを検討する。 我々は,NeoRL学習がAIにおけるRLよりも生物学的学習に類似していることに気付き,エミュレートされた認知への道として概念空間のNeoRLナビゲーションを提案する。
• 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: Edward C. Tolman found reinforcement learning unsatisfactory for explaining intelligence and proposed a clear distinction between learning and behavior. Tolman's ideas on latent learning and cognitive maps eventually led to what is now known as conceptual space, a geometric representation where concepts and ideas can form points or shapes.Active navigation between ideas - reasoning - can be expressed directly as purposive navigation in conceptual space. Assimilating the theory of conceptual space from modern neuroscience, we propose autonomous navigation as a valid approach for emulated cognition. However, achieving autonomous navigation in high-dimensional Euclidean spaces is not trivial in technology. In this work, we explore whether neoRL navigation is up for the task; adopting Kaelbling's concerns for efficient robot navigation, we test whether the neoRL approach is general across navigational modalities, compositional across considerations of experience, and effective when learning in multiple Euclidean dimensions. We find neoRL learning to be more resemblant of biological learning than of RL in AI, and propose neoRL navigation of conceptual space as a plausible new path toward emulated cognition.
• Abstract（参考訳）: エドワード・C・トールマンは情報の説明に満足できない強化学習を発見し、学習と行動を明確に区別することを提案した。 トルマンの潜在学習と認知地図に関する考えは、最終的に、現在概念空間と呼ばれる、概念とアイデアが点や形を作ることのできる幾何学的表現へと繋がった。 現代の神経科学から概念空間の理論を模擬し,認識をエミュレートするための有効なアプローチとして自律ナビゲーションを提案する。 しかし、高次元ユークリッド空間における自律航法の実現は、技術においては容易ではない。 本研究は,NeoRLナビゲーションがタスクに有効であるかどうかを考察し,Kelbling氏のロボットナビゲーションに対する懸念を取り入れた上で,NeoRLアプローチがナビゲーションのモダリティにまたがる一般性,経験を考慮した構成,複数のユークリッド次元での学習における有効性を検証する。 我々は,NeoRL学習がAIにおけるRLよりも生物学習に類似していることに気付き,エミュレートされた認知への道として概念空間のNeoRLナビゲーションを提案する。

関連論文リスト

• CogNav: Cognitive Process Modeling for Object Goal Navigation with LLMs [33.123447047397484]
  オブジェクトゴールナビゲーション(Object goal navigation、ObjectNav)は、エージェントが見えない環境でターゲットオブジェクトを見つける必要があるAIの基本的なタスクである。 我々は,この認知過程を大規模言語モデルの助けを借りてモデル化しようとするCagNavを紹介する。 オープンボキャブラリとゼロショット設定では、HM3DベンチマークのSOTAを69.3%から87.2%に向上させる。
  論文  参考訳（メタデータ） (2024-12-11T09:50:35Z)
• Exploring and Learning Structure: Active Inference Approach in Navigational Agents [8.301959009586861]
  動物は記憶、想像力、戦略的な意思決定を効率的に利用することで優れたナビゲーション能力を示す。 生物にインスパイアされた原理に根ざしたナビゲーションとマッピングのための新しい計算モデルを導入する。
  論文  参考訳（メタデータ） (2024-08-12T08:17:14Z)
• Manifold Learning via Memory and Context [5.234742752529437]
  本稿では,メモリとコンテキストを用いた多様体学習へのナビゲーションに基づくアプローチを提案する。 我々のアプローチは、感覚運動学習の潜在領域におけるナビゲーティングと解釈できるため、ナビゲーションベースと命名する。 本稿では,脳神経系におけるエピソード記憶とセマンティック記憶によるナビゲーション学習の生物学的実装について論じる。
  論文  参考訳（メタデータ） (2024-05-17T17:06:19Z)
• Learning Navigational Visual Representations with Semantic Map Supervision [85.91625020847358]
  エージェントの自我中心のビューとセマンティックマップを対比してナビゲーション固有の視覚表現学習法を提案する。 Ego$2$-Map学習は、オブジェクト、構造、遷移などのコンパクトでリッチな情報を、ナビゲーションのためのエージェントのエゴセントリックな表現に転送する。
  論文  参考訳（メタデータ） (2023-07-23T14:01:05Z)
• Emergence of Maps in the Memories of Blind Navigation Agents [68.41901534985575]
  動物ナビゲーション研究は、生物が環境の空間的表現(地図)を構築、維持する、という仮説を定めている。 私たちはマシン、具体的には人工知能(AI)ナビゲーションエージェントが、暗黙の(あるいは「メンタル」な)マップを構築しているかどうか尋ねる。 動物ナビゲーションとは異なり、エージェントの知覚システムを司法的に設計し、学習パラダイムを制御して代替ナビゲーション機構を無効化することができる。
  論文  参考訳（メタデータ） (2023-01-30T20:09:39Z)
• Learning Robotic Navigation from Experience: Principles, Methods, and Recent Results [94.60414567852536]
  現実世界のナビゲーションは、単純な幾何学的抽象化に反する複雑な物理的課題の集合を示す。 機械学習は、幾何学や従来の計画を超えた、有望な方法を提供する。 本稿では,ロボットナビゲーションスキルを実験的に学習するツールキットについて紹介する。
  論文  参考訳（メタデータ） (2022-12-13T17:41:58Z)
• Navigating to Objects in the Real World [76.1517654037993]
  本稿では,古典的,モジュール的,エンド・ツー・エンドの学習手法と比較した,意味的視覚ナビゲーション手法に関する大規模な実証的研究について述べる。 モジュラー学習は実世界ではうまく機能し、90%の成功率に達しています。 対照的に、エンド・ツー・エンドの学習は、シミュレーションと現実の間の画像領域の差が大きいため、77%のシミュレーションから23%の実際の成功率へと低下する。
  論文  参考訳（メタデータ） (2022-12-02T01:10:47Z)
• PONI: Potential Functions for ObjectGoal Navigation with Interaction-free Learning [125.22462763376993]
  対話自由学習(PONI)を用いたオブジェクト指向ナビゲーションの可能性について提案する。 PONIは、物がどこに見えるかというスキルと、どのように(x, y)にナビゲートするかを歪めます。」
  論文  参考訳（メタデータ） (2022-01-25T01:07:32Z)
• Deep Learning for Embodied Vision Navigation: A Survey [108.13766213265069]
  身体的視覚ナビゲーション」問題では、エージェントが3D環境をナビゲートする必要がある。 本稿では、総合的な文献調査を提供することで、視覚ナビゲーションの具体的分野における現在の研究の概要を確立することを試みる。
  論文  参考訳（メタデータ） (2021-07-07T12:09:04Z)
• Decomposing the Prediction Problem; Autonomous Navigation by neoRL Agents [0.0]
  世界をナビゲートすることは、あらゆる生物にとって基本的な能力である。 NRES-Oriented RL (neoRL) エージェントが理論的な発見を検証する前にどのように可能かを示す。
  論文  参考訳（メタデータ） (2021-06-30T07:57:36Z)
• Rule-Based Reinforcement Learning for Efficient Robot Navigation with Space Reduction [8.279526727422288]
  本稿では,強化学習(RL)技術を用いた効率的なナビゲーションに焦点を当てた。 軌道を縮小するために減速ルールを採用し、冗長な探査空間を効果的に削減します。 ヘックスグリッド環境における実際のロボットナビゲーション問題に対する実験は、RuRLが航法性能を向上させることを実証している。
  論文  参考訳（メタデータ） (2021-04-15T07:40:27Z)

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。