論文の概要: Social Network Structure Shapes Innovation: Experience-sharing in RL with SAPIENS

• arxiv url: http://arxiv.org/abs/2206.05060v1
• Date: Fri, 10 Jun 2022 12:47:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-13 21:34:42.116981
• Title: Social Network Structure Shapes Innovation: Experience-sharing in RL with SAPIENS
• Title（参考訳）: ソーシャルネットワークの構造がイノベーションを形作る: rlとsapiensの体験共有
• Authors: Eleni Nisioti, Mateo Mahaut, Pierre-Yves Oudeyer, Ida Momennejad, Cl\'ement Moulin-Frier
• Abstract要約: 動的トポロジーでは、人間は個々にまたは小さなクラスターで革新し、その結果を他の人と共有する。 動的トポロジにおける経験共有は,タスク間のイノベーションの最高レベルを達成することを示す。 これらの貢献により、最適なAI-AI、人間-AI、人間-AI協調ネットワークの理解を深めることができます。
• 参考スコア（独自算出の注目度）: 16.388726429030346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The human cultural repertoire relies on innovation: our ability to continuously and hierarchically explore how existing elements can be combined to create new ones. Innovation is not solitary, it relies on collective accumulation and merging of previous solutions. Machine learning approaches commonly assume that fully connected multi-agent networks are best suited for innovation. However, human laboratory and field studies have shown that hierarchical innovation is more robustly achieved by dynamic communication topologies. In dynamic topologies, humans oscillate between innovating individually or in small clusters, and then sharing outcomes with others. To our knowledge, the role of multi-agent topology on innovation has not been systematically studied in machine learning. It remains unclear a) which communication topologies are optimal for which innovation tasks, and b) which properties of experience sharing improve multi-level innovation. Here we use a multi-level hierarchical problem setting (WordCraft), with three different innovation tasks. We systematically design networks of DQNs sharing experiences from their replay buffers in varying topologies (fully connected, small world, dynamic, ring). Comparing the level of innovation achieved by different experience-sharing topologies across different tasks shows that, first, consistent with human findings, experience sharing within a dynamic topology achieves the highest level of innovation across tasks. Second, experience sharing is not as helpful when there is a single clear path to innovation. Third, two metrics we propose, conformity and diversity of shared experience, can explain the success of different topologies on different tasks. These contributions can advance our understanding of optimal AI-AI, human-human, and human-AI collaborative networks, inspiring future tools for fostering collective innovation in large organizations.
• Abstract（参考訳）: 人類の文化的レパートリーはイノベーションに依存しています – 既存の要素をどのように組み合わせて新しい要素を作り出すか,継続的に階層的に調査する能力です。 イノベーションは孤独ではなく、以前のソリューションの集合的な蓄積とマージに依存している。 機械学習のアプローチは、完全に接続されたマルチエージェントネットワークがイノベーションに最も適していると一般的に仮定する。 しかし、人間の研究室とフィールド研究は、階層的イノベーションは動的コミュニケーショントポロジーによってより堅牢に達成されることを示した。 動的トポロジーでは、人間は個々にまたは小さなクラスターで革新し、その結果を他の人と共有する。 我々の知る限り、イノベーションにおけるマルチエージェントトポロジの役割は、機械学習において体系的に研究されていない。 不明です a) イノベーションの課題に最適なコミュニケーショントポロジ、及び b) 経験共有の特性がマルチレベルイノベーションを改善すること。 ここでは、3つの異なるイノベーションタスクを備えたマルチレベル階層的問題設定(WordCraft)を使用します。 我々は,様々なトポロジ(完全連結,小世界,動的,リング)において,リプレイバッファから経験を共有するdqnsのネットワークを体系的に設計する。 異なるタスク間で異なる経験共有トポロジによって達成されるイノベーションのレベルを比較すると、まず、人間の発見と一致して、動的トポロジ内での経験共有がタスク間のイノベーションの最高レベルを達成することが示されます。 第二に、イノベーションへの明確な道がひとつある場合、経験共有は役に立たない。 第三に、私たちが提案する2つの指標、共通体験の適合性と多様性は、異なるタスクにおける異なるトポロジの成功を説明することができる。 これらのコントリビューションは、最適なAI-AI、人間-AI、人間-AI協調ネットワークの理解を促進し、大規模組織における集団イノベーションを促進するための将来のツールを刺激します。

関連論文リスト

• Weak Ties Explain Open Source Innovation [9.399494734600164]
  GitHub上の3つの異なるインタラクションネットワークを通じて、開発者の知識獲得と、彼らが開発するプロジェクトの革新性との間にある相関関係について検討する。 今後のプロジェクト開発の革新性に対して,開発者が積極的に関与するプロジェクトの多様性が示唆される一方で,インタラクションの量には影響が最小限であることが示唆された。
  論文  参考訳（メタデータ） (2024-11-08T15:39:33Z)
• Collective Innovation in Groups of Large Language Models [28.486116730339972]
  我々は,人間向けに開発されたクリエイティブビデオゲームLittle Alchemy 2をプレイするLarge Language Models (LLMs)について研究した。 本研究では,その行動に関する情報を共有するLLMのグループについて検討し,集団的パフォーマンスに対する社会的接続性の影響に着目した。 我々の研究は、ジェネレーティブ人工知能アルゴリズムと人間が互いに革新するにつれて、ますます関連性が高まっている集団イノベーションの今後の研究の機会と課題を明らかにします。
  論文  参考訳（メタデータ） (2024-07-07T13:59:46Z)
• Bidirectional Progressive Neural Networks with Episodic Return Progress for Emergent Task Sequencing and Robotic Skill Transfer [1.7205106391379026]
  双方向進行型ニューラルネットワーク(ERP-BPNN)を用いた多タスク強化学習フレームワークについて紹介する。 提案するERP-BPNNモデルは,(2)本質的なモチベーション信号に基づく自律的なタスク切替によって,人間のようなインターリーブ方式で学習する。 本研究では,ERP-BPNNによる累積収束の高速化と,形態的に異なるロボットに比較して,全ての指標の性能向上を図っている。
  論文  参考訳（メタデータ） (2024-03-06T19:17:49Z)
• The language and social behavior of innovators [0.0]
  我々は,大手多国籍企業のイントラネットフォーラムで利用可能な約38,000のポストを分析した。 より複雑な言語を使い、新しい概念/イデオロギーを導入し、ポジティブだが事実に基づく言語を使う。
  論文  参考訳（メタデータ） (2022-09-20T07:01:25Z)
• Foundations and Recent Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions [68.6358773622615]
  本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。 本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。 最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
  論文  参考訳（メタデータ） (2022-09-07T19:21:19Z)
• Modality Competition: What Makes Joint Training of Multi-modal Network Fail in Deep Learning? (Provably) [75.38159612828362]
  最高のユニモーダルネットワークは、共同で訓練されたマルチモーダルネットワークよりも優れていることが観察されている。 この研究は、ニューラルネットワークにおけるそのようなパフォーマンスギャップの出現に関する理論的な説明を提供する。
  論文  参考訳（メタデータ） (2022-03-23T06:21:53Z)
• WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
  我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。 そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-27T12:25:21Z)
• MT-Opt: Continuous Multi-Task Robotic Reinforcement Learning at Scale [103.7609761511652]
  大規模集団ロボット学習システムが,行動のレパートリーを同時に獲得できることを示す。 新しいタスクは、以前学んだタスクから継続的にインスタンス化できる。 我々は,7台のロボットから収集したデータを用いて,実世界のタスク12組でシステムを訓練し,評価する。
  論文  参考訳（メタデータ） (2021-04-16T16:38:02Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• Enterprise System Lifecycle-wide Innovation [0.0]
  この研究は、イノベーションとエンタープライズシステムの間の概念的な橋渡しを形成する。 ESに特化した新しいタイプのイノベーションとして、Continuous Restrained Innovation(CRI)を紹介します。
  論文  参考訳（メタデータ） (2020-06-18T02:16:10Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

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。