論文の概要: AIGenC: An AI generalisation model via creativity

• arxiv url: http://arxiv.org/abs/2205.09738v5
• Date: Wed, 21 Jun 2023 00:58:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-22 18:23:57.817464
• Title: AIGenC: An AI generalisation model via creativity
• Title（参考訳）: AIGenC:創造性によるAI一般化モデル
• Authors: Corina Catarau-Cotutiu, Esther Mondragon, Eduardo Alonso
• Abstract要約: 本稿では,創造性に関する認知理論に触発された計算モデル(AIGenC)を紹介する。 人工エージェントが変換可能な表現を学習、使用、生成するために必要なコンポーネントを配置する。 本稿では, 人工エージェントの配当効率を向上するモデルの有効性について論じる。
• 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: Inspired by cognitive theories of creativity, this paper introduces a computational model (AIGenC) that lays down the necessary components to enable artificial agents to learn, use and generate transferable representations. Unlike machine representation learning, which relies exclusively on raw sensory data, biological representations incorporate relational and associative information that embeds rich and structured concept spaces. The AIGenC model poses a hierarchical graph architecture with various levels and types of representations procured by different components. The first component, Concept Processing, extracts objects and affordances from sensory input and encodes them into a concept space. The resulting representations are stored in a dual memory system and enriched with goal-directed and temporal information acquired through reinforcement learning, creating a higher-level of abstraction. Two additional components work in parallel to detect and recover relevant concepts and create new ones, respectively, in a process akin to cognitive Reflective Reasoning and Blending. The Reflective Reasoning unit detects and recovers from memory concepts relevant to the task by means of a matching process that calculates a similarity value between the current state and memory graph structures. Once the matching interaction ends, rewards and temporal information are added to the graph, building further abstractions. If the reflective reasoning processing fails to offer a suitable solution, a blending operation comes into place, creating 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.
• Abstract（参考訳）: 創造性に関する認知理論に触発されて、人工エージェントが伝達可能な表現を学習、使用、生成するために必要な要素をレイアウトする計算モデル(AIGenC)を導入する。 生の知覚データにのみ依存する機械表現学習とは異なり、生物学的表現には、リッチで構造化された概念空間を埋め込んだ関係情報と連想情報が含まれる。 AIGenCモデルは、さまざまなレベルと異なるコンポーネントによって取得される表現のタイプで階層的なグラフアーキテクチャを提供する。 第1のコンポーネントである概念処理は、知覚入力からオブジェクトとアフォーアンスを抽出し、それらを概念空間にエンコードする。 結果の表現は二重メモリシステムに格納され、強化学習によって得られる目標指向および時間情報に富み、より高度な抽象化を生み出す。 2つの追加コンポーネントが並行して動作し、関連する概念を検出して回復し、それぞれが認知的反射的推論とブレンドに類似したプロセスで新しい概念を生成する。 反射推論部は、現在の状態とメモリグラフ構造との類似度値を算出するマッチング処理により、タスクに関連するメモリ概念を検出して回復する。 一致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に追加され、さらなる抽象化が構築される。 反射推論処理が適切な解を提供しなかった場合、ブレンディング操作が行われ、過去の情報を組み合わせて新しい概念が生み出される。 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・ジェネリゼーションを向上するモデルの能力について議論し,人工知能に向けて前進する。

関連論文リスト

• Augmented Commonsense Knowledge for Remote Object Grounding [67.30864498454805]
  エージェントナビゲーションを改善するための時間的知識グラフとして,コモンセンス情報を活用するための拡張コモンセンス知識モデル(ACK)を提案する。 ACKは知識グラフ対応のクロスモーダルとコンセプトアグリゲーションモジュールで構成され、視覚的表現と視覚的テキストデータアライメントを強化する。 我々は、より正確な局所的な行動予測につながるコモンセンスに基づく意思決定プロセスのための新しいパイプラインを追加します。
  論文  参考訳（メタデータ） (2024-06-03T12:12:33Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• A Framework for Inference Inspired by Human Memory Mechanisms [9.408704431898279]
  本稿では,知覚,記憶,推論の構成要素からなるPMIフレームワークを提案する。 メモリモジュールは、ワーキングメモリと長期メモリから構成され、後者は、広範囲で複雑なリレーショナル知識と経験を維持するために、高次構造を備えている。 我々は、bAbI-20kやSolt-of-CLEVRデータセットのような質問応答タスクにおいて、一般的なTransformerとCNNモデルを改善するためにPMIを適用します。
  論文  参考訳（メタデータ） (2023-10-01T08:12:55Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• 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)
• 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)
• Acquiring and Modelling Abstract Commonsense Knowledge via Conceptualization [49.00409552570441]
  本研究では,コモンセンス推論における概念化の役割について検討し,人間の概念化を再現する枠組みを定式化する。 ATOMIC は大規模な人為的注釈付き CKG であり,この枠組みを分類プロベースで支援している。
  論文  参考訳（メタデータ） (2022-06-03T12:24:49Z)
• A Cognitive Architecture for Machine Consciousness and Artificial Superintelligence: Thought Is Structured by the Iterative Updating of Working Memory [0.0]
  本稿では、コンピュータ内での人間的な思考プロセスのシミュレートのための分析フレームワークを提供する。 注意と記憶がどのように構造化され、更新され、思考ストリームへの連想的な追加を探すために利用されるかを記述する。
  論文  参考訳（メタデータ） (2022-03-29T22:28:30Z)
• 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)
• 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。