論文の概要: Need is All You Need: Homeostatic Neural Networks Adapt to Concept Shift
- arxiv url: http://arxiv.org/abs/2205.08645v1
- Date: Tue, 17 May 2022 21:49:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-19 21:54:11.298927
- Title: Need is All You Need: Homeostatic Neural Networks Adapt to Concept Shift
- Title(参考訳): 必要なのは必要なものだけ:ホメオスタティックニューラルネットワークは概念シフトに適応する
- Authors: Kingson Man, Antonio Damasio, Hartmut Neven
- Abstract要約: ホメオスタティックな特徴を組み込んだ人工ニューラルネットワークを導入する。
私たちのホメオスタティックデザインは、ニューラルネットワークの思考機械を自身の思考結果に公開します。
ホメオスタティックデザインは,概念シフトによる適応性の向上を示唆する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In living organisms, homeostasis is the natural regulation of internal states
aimed at maintaining conditions compatible with life. Typical artificial
systems are not equipped with comparable regulatory features. Here, we
introduce an artificial neural network that incorporates homeostatic features.
Its own computing substrate is placed in a needful and vulnerable relation to
the very objects over which it computes. For example, artificial neurons
performing classification of MNIST digits or Fashion-MNIST articles of clothing
may receive excitatory or inhibitory effects, which alter their own learning
rate as a direct result of perceiving and classifying the digits. In this
scenario, accurate recognition is desirable to the agent itself because it
guides decisions to regulate its vulnerable internal states and functionality.
Counterintuitively, the addition of vulnerability to a learner does not
necessarily impair its performance. On the contrary, self-regulation in
response to vulnerability confers benefits under certain conditions. We show
that homeostatic design confers increased adaptability under concept shift, in
which the relationships between labels and data change over time, and that the
greatest advantages are obtained under the highest rates of shift. This
necessitates the rapid un-learning of past associations and the re-learning of
new ones. We also demonstrate the superior abilities of homeostatic learners in
environments with dynamically changing rates of concept shift. Our homeostatic
design exposes the artificial neural network's thinking machinery to the
consequences of its own "thoughts", illustrating the advantage of putting one's
own "skin in the game" to improve fluid intelligence.
- Abstract(参考訳): 生物において、ホメオスタシス(ホメオスタシス)は、生命と相容れない状態を維持することを目的とした内部状態の自然な規制である。
典型的な人工システムは、同等の規制機能を備えていない。
本稿では,ホメオスタティックな特徴を組み込んだ人工ニューラルネットワークを提案する。
独自のコンピューティング基板は、それが計算するオブジェクトと、必要で脆弱な関係にある。
例えば、mnist digits や fashion-mnist articles of clothing の分類を行う人工ニューロンは、興奮的または抑制的な効果を受けることができ、その効果は、数字の知覚と分類の直接の結果として、自分自身の学習率を変化させる。
このシナリオでは、エージェント自体が脆弱な内部状態や機能を制御するための決定を導くため、正確な認識が望ましい。
学習者に対する脆弱性の追加は必ずしもその性能を損なうとは限らない。
逆に、脆弱性に対する自己規制は、特定の条件下での利益をもたらす。
提案するホメオスタティックデザインでは,ラベルとデータの関係が時間とともに変化し,最も高いシフト率で最大のアドバンテージが得られるという,概念シフトによる適応性の向上が期待できる。
これは過去のアソシエーションの急速な未学習と新しいアソシエーションの再学習を必要とする。
また,概念シフトの動的変化を伴う環境におけるホメオスタティック学習者の優れた能力を示す。
我々のホメオスタティックデザインは、人工知能の思考機械を自身の「思考」の結果にさらし、流体知性を改善するために自分自身の「ゲームに皮膚を置く」という利点を浮き彫りにしている。
関連論文リスト
- Learning with Chemical versus Electrical Synapses -- Does it Make a
Difference? [61.85704286298537]
バイオインスパイアされたニューラルネットワークは、ニューラルネットワークの理解を深め、AIシステムの最先端を改善する可能性がある。
我々は,光リアルな自律走行シミュレータを用いて自律車線維持実験を行い,その性能を種々の条件下で評価する。
論文 参考訳(メタデータ) (2023-11-21T13:07:20Z) - Proprioceptive Learning with Soft Polyhedral Networks [17.368077066659556]
プロプリオセプション(英: Proprioception)は、運動ニューロンによる手足の姿勢を検出する「第6の感覚」である。
本稿では,物理インタラクションのための組込みビジョンを備えたソフト多面体ネットワークを提案する。
この設計は、超高速モーショントラッキングシステムによって視覚的に捉えられる全方向インタラクションへの受動的適応を可能にする。
論文 参考訳(メタデータ) (2023-08-16T17:53:40Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳(メタデータ) (2022-03-03T17:19:12Z) - Towards self-organized control: Using neural cellular automata to
robustly control a cart-pole agent [62.997667081978825]
我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。
我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
論文 参考訳(メタデータ) (2021-06-29T10:49:42Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳(メタデータ) (2021-04-22T04:01:32Z) - Constrained plasticity reserve as a natural way to control frequency and
weights in spiking neural networks [0.0]
細胞動力学は神経細胞が激しいシグナルをフィルターして、ニューロンの発火速度を安定させるのにどのように役立つかを示す。
このようなアプローチは、AIシステムの堅牢性を改善するために、機械学習領域で使用される可能性がある。
論文 参考訳(メタデータ) (2021-03-15T05:22:14Z) - Adaptive Rational Activations to Boost Deep Reinforcement Learning [72.16798866331152]
我々は、合理的が適応可能なアクティベーション機能に適合する理由と、ニューラルネットワークへの含意が重要である理由を動機付けている。
人気アルゴリズムに(繰り返しの)アクティベーションを組み込むことで,アタリゲームにおいて一貫した改善がもたらされることを実証する。
論文 参考訳(メタデータ) (2021-02-18T14:53:12Z) - Identification of state functions by physically-guided neural networks
with physically-meaningful internal layers [0.0]
我々は,物理系における入力-出力関係を予測するために,物理的拘束型ニューラルネットワーク(PCNN)の概念を用いる。
このアプローチは、物理的に予測されるだけでなく、トレーニングプロセスの加速を図っている。
論文 参考訳(メタデータ) (2020-11-17T11:26:37Z) - Artificial Neural Variability for Deep Learning: On Overfitting, Noise
Memorization, and Catastrophic Forgetting [135.0863818867184]
人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。
ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。
過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
論文 参考訳(メタデータ) (2020-11-12T06:06:33Z) - Backpropamine: training self-modifying neural networks with
differentiable neuromodulated plasticity [14.19992298135814]
このような神経修飾塑性を持つ人工ニューラルネットワークは、勾配降下でトレーニングできることを初めて示す。
神経変調塑性は、強化学習と教師あり学習の両方においてニューラルネットワークの性能を向上させることを示す。
論文 参考訳(メタデータ) (2020-02-24T23:19:17Z)
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。