論文の概要: AIGenC: AI generalisation via creativity
- arxiv url: http://arxiv.org/abs/2205.09738v2
- Date: Mon, 23 May 2022 13:17:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-24 12:00:25.467284
- Title: AIGenC: AI generalisation via creativity
- Title（参考訳）: AIGenC:創造性によるAIの一般化
- Authors: Corina Catarau-Cotutiu, Esther Mondragon, Eduardo Alonso
- Abstract要約: 本稿では,深層強化学習エージェントにおける創造的問題解決の計算モデルを提案する。
AIGenCモデルは、人工エージェントが変換可能な表現を学習、使用、生成できるようにすることを目的としている。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a computational model of creative problem solving in
deep reinforcement learning agents, inspired by cognitive theories of
creativity. The AIGenC model aims at enabling artificial agents to learn, use
and generate transferable representations. AIGenC is embedded in a deep
learning architecture that includes three main components: concept processing,
reflective reasoning, and blending of concepts. The first component extracts
objects and affordances from sensory input and encodes them in a concept space,
represented as a hierarchical graph structure. Concept representations are
stored in a dual memory system. Goal-directed and temporal information acquired
by the agent during deep reinforcement learning enriches the representations
creating a higher-level of abstraction in the concept space. In parallel, a
process akin to reflective reasoning detects and recovers from memory concepts
relevant to the task according to a matching process that calculates a
similarity value between the current state and memory graph structures. Once an
interaction is finalised, rewards and temporal information are added to the
graph structure, creating a higher abstraction level. If reflective reasoning
fails to offer a suitable solution, a blending process comes into place to
create new concepts by combining past information. We discuss the model's
capability to yield better out-of-distribution generalisation in artificial
agents, thus advancing toward artificial general intelligence. To the best of
our knowledge, this is the first computational model, beyond mere formal
theories, that posits a solution to creative problem solving within a deep
learning architecture.
- Abstract（参考訳）: 本稿では,創造性の認知理論に触発された深層強化学習エージェントにおける創造的問題解決の計算モデルを提案する。
AIGenCモデルは、人工エージェントが変換可能な表現を学習、使用、生成できるようにすることを目的としている。
AIGenCは、概念処理、反射的推論、概念のブレンドという3つの主要なコンポーネントを含むディープラーニングアーキテクチャに組み込まれている。
第1のコンポーネントは、知覚入力からオブジェクトとアフォーアンスを抽出し、それらを階層グラフ構造として表される概念空間にエンコードする。
概念表現は二重メモリシステムに格納される。
エージェントが深層強化学習中に取得したゴール指向および時間情報により、概念空間におけるより高度な抽象化を生み出す表現が強化される。
並行して、リフレクション推論に類似したプロセスは、現在の状態とメモリグラフ構造との類似度値を計算するマッチングプロセスに従って、タスクに関連するメモリ概念を検出して回復する。
インタラクションが終了すると、報酬と時間情報がグラフ構造に追加され、より高い抽象化レベルが生成される。
反射的推論が適切なソリューションを提供できない場合、過去の情報を組み合わせることで新しい概念を創出するブレンディングプロセスが発生する。
本稿では, 人工エージェントのアウト・オブ・ディストリビューション・ジェネレーションを向上するモデルの能力について論じる。
私たちの知る限りでは、これは単なる形式理論を超えた初めての計算モデルであり、深層学習アーキテクチャにおける創造的な問題解決の解決策となる。
関連論文リスト
- A Recursive Bateson-Inspired Model for the Generation of Semantic Formal
Concepts from Spatial Sensory Data [77.34726150561087]
本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。
このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。
このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
論文 参考訳（メタデータ） (2023-07-16T15:59:13Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - Conceptual Modeling and Artificial Intelligence: A Systematic Mapping
Study [0.5156484100374059]
概念モデリング(CM)では、人間は理解とコミュニケーションの手段として現実の抜粋を抽象的に表現し、機械による処理を行う。
近年、CMとAIの連携のトレンドが生まれている。
本研究は,この学際研究分野がどのように構成され,相互利益は,学間研究と今後の研究の方向性によって得られるかを示す。
論文 参考訳（メタデータ） (2023-03-12T21:23:46Z) - Analogical Concept Memory for Architectures Implementing the Common
Model of Cognition [1.9417302920173825]
そこで我々は,Soar の新たなアナログ概念メモリを提案し,宣言的長期記憶の現在のシステムを強化した。
提案したメモリに実装されたアナログ学習手法は,多様な新しい概念を迅速に学習できることを実証する。
論文 参考訳（メタデータ） (2022-10-21T04:39:07Z) - A Benchmark for Compositional Visual Reasoning [5.576460160219606]
我々は、よりデータ効率のよい学習アルゴリズムへ進むために、新しいビジュアル推論ベンチマークであるコンポジションビジュアルリレーショナル(CVR)を導入する。
我々は,流体知能と非言語推論テストからインスピレーションを得て,抽象ルールと関連する画像データセットを大規模に作成するための新しい手法について述べる。
提案するベンチマークには, タスクルール間のサンプル効率, 一般化, 転送, および, 構成性を活用する能力が含まれている。
論文 参考訳（メタデータ） (2022-06-11T00:04:49Z) - On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。
単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
論文 参考訳（メタデータ） (2022-06-09T16:24:01Z) - pix2rule: End-to-end Neuro-symbolic Rule Learning [84.76439511271711]
本稿では,画像のオブジェクトへの処理,学習関係,論理規則に関する完全なニューロシンボリックな手法を提案する。
主な貢献は、シンボリックリレーションとルールを抽出できるディープラーニングアーキテクチャにおける差別化可能なレイヤである。
我々のモデルは最先端のシンボリックラーナーを超えてスケールし、ディープリレーショナルニューラルネットワークアーキテクチャよりも優れていることを実証する。
論文 参考訳（メタデータ） (2021-06-14T15:19:06Z) - Towards a Predictive Processing Implementation of the Common Model of
Cognition [79.63867412771461]
本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。
提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
論文 参考訳（メタデータ） (2021-05-15T22:55:23Z) - Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。
我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文 参考訳（メタデータ） (2020-07-14T22:04:17Z) - Characterizing an Analogical Concept Memory for Architectures
Implementing the Common Model of Cognition [1.468003557277553]
そこで我々は,Soar の新たなアナログ概念メモリを提案し,宣言的長期記憶の現在のシステムを強化した。
提案したメモリに実装されたアナログ学習手法は,多様な新しい概念を迅速に学習できることを実証する。
論文 参考訳（メタデータ） (2020-06-02T21:54:03Z)
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。