論文の概要: Formalization of the principles of brain Programming (Brain Principles
Programming)
- arxiv url: http://arxiv.org/abs/2206.03487v1
- Date: Fri, 13 May 2022 13:16:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-12 09:31:00.707363
- Title: Formalization of the principles of brain Programming (Brain Principles
Programming)
- Title（参考訳）: 脳プログラミングの原理の形式化(脳原理プログラミング)
- Authors: E.E. Vityaev, A.G. Kolonin, A.A. Molchanov
- Abstract要約: 『超知能へのアプローチ』には、汎用人工知能(AGI)の概要が記載されている。
脳原理プログラミング(Brain Principles Programming、BPP)は、脳の情報処理の普遍的なメカニズム(原理)の形式化である。
この論文は、P.K.アノキン関数脳系の理論、エレノア・ロッシュ分類理論、ボブ・レーダー因果モデルの理論、そして「自然」分類の数学的モデルとアルゴリズムを使用する。
- 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: In the monograph "Strong artificial intelligence. On the Approaches to
Superintelligence" contains an overview of general artificial intelligence
(AGI). As an anthropomorphic research area, it includes Brain Principles
Programming (BPP) -- the formalization of universal mechanisms (principles) of
the brain work with information, which are implemented at all levels of the
organization of nervous tissue. This monograph contains a formalization of
these principles in terms of category theory. However, this formalization is
not enough to develop algorithms for working with information. In this paper,
for the description and modeling of BPP, it is proposed to apply mathematical
models and algorithms developed earlier, which modeling cognitive functions and
base on well-known physiological, psychological and other natural science
theories. The paper uses mathematical models and algorithms of the following
theories: P.K.Anokhin Theory of Functional Brain Systems, Eleanor Rosch
prototypical categorization theory, Bob Rehder theory of causal models and
"natural" classification. As a result, a formalization of BPP is obtained and
computer experiments demonstrating the operation of algorithms are presented.
- Abstract（参考訳）: モノグラフ“Strong Artificial Intelligence. On the Approaches to Superintelligence”には、汎用人工知能(AGI)の概要が含まれている。
人為的な研究領域として、脳原理プログラミング(bpp:brain principles programming) -- 脳の普遍的なメカニズム(原理)の形式化と情報処理があり、神経組織のあらゆるレベルで実装されている。
このモノグラフは、圏論の観点からこれらの原則の形式化を含んでいる。
しかし、この形式化は情報を扱うアルゴリズムを開発するのに十分ではない。
本稿では,BPPの記述とモデル化のために,認知機能をモデル化し,よく知られた生理学,心理学,その他の自然科学理論に基づく数学的モデルとアルゴリズムを適用することを提案する。
P.K.アノキン関数脳系の理論、エレノア・ロッシュ原型分類理論、因果モデルのボブ・レーダー理論、そして「自然」分類である。
その結果、bppの形式化が得られ、アルゴリズムの動作を示すコンピュータ実験が提示される。
関連論文リスト
- Topological Representational Similarity Analysis in Brains and Beyond [15.417809900388262]
この論文では、神経表現の幾何学的および位相的特性を組み合わせた新しいフレームワークであるトポロジカルRSA(tRSA)を紹介する。
tRSAは非線型単調変換を表現上の相似性に適用し、中間スケールの幾何学を維持しながら局所位相を強調する。
結果として生じる地形行列は、ノイズや個々の慣用性に頑健なモデル比較を可能にする。
論文 参考訳（メタデータ） (2024-08-21T19:02:00Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳（メタデータ） (2023-10-14T23:28:48Z) - 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) - Brain Principles Programming [0.3867363075280543]
脳原理プログラミング(Brain Principles Programming、BPP)は、脳の働きの普遍的なメカニズム(原理)を情報と共に定式化したものである。
この論文は以下の理論の数学的モデルとアルゴリズムを用いている。
論文 参考訳（メタデータ） (2022-02-13T13:41:44Z) - A Mathematical Approach to Constraining Neural Abstraction and the
Mechanisms Needed to Scale to Higher-Order Cognition [0.0]
人工知能はこの10年で大きな進歩を遂げてきたが、人工知能の最もよく知られている例である人間の脳にはまだ及ばない。
神経の過程があまり知られていないため、脳はほんの少しで跳躍を達成できる。
本稿では, グラフ理論とスペクトルグラフ理論を用いた数学的アプローチを提案する。
論文 参考訳（メタデータ） (2021-08-12T02:13:22Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳（メタデータ） (2021-07-02T01:55:18Z) - Applications of the Free Energy Principle to Machine Learning and
Neuroscience [0.0]
我々は、自由エネルギー原理にインスパイアされた手法を機械学習と神経科学の2つの重要な分野に適用する。
我々は、自由エネルギー原理から派生した神経生物学的に妥当なプロセス理論である予測符号化に焦点を当てる。
第2に、変動メッセージパッシングによる行動の神経生物学的根拠である能動推論について検討する。
最後に, 生物学的に有効な脳内クレジット代入法について検討した。
論文 参考訳（メタデータ） (2021-06-30T22:53:03Z) - Interpretable Reinforcement Learning Inspired by Piaget's Theory of
Cognitive Development [1.7778609937758327]
本稿では,思考の言語(LOTH)やスクリプト理論,ピアジェの認知発達理論などの理論が相補的なアプローチを提供するという考えを楽しませる。
提案するフレームワークは,人工知能システムにおいて,人間のような認知を実現するためのステップとみなすことができる。
論文 参考訳（メタデータ） (2021-02-01T00:29:01Z) - Formalising Concepts as Grounded Abstractions [68.24080871981869]
このレポートは、表現学習が生データから概念を誘導する方法を示しています。
このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
論文 参考訳（メタデータ） (2021-01-13T15:22:01Z) - Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。
この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。
これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文 参考訳（メタデータ） (2020-11-30T18:29:25Z)
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。