論文の概要: On the Principles of Parsimony and Self-Consistency for the Emergence of Intelligence

• arxiv url: http://arxiv.org/abs/2207.04630v1
• Date: Mon, 11 Jul 2022 05:06:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 13:02:05.663170
• Title: On the Principles of Parsimony and Self-Consistency for the Emergence of Intelligence
• Title（参考訳）: 知性の出現に対する自制主義と自制主義の原理について
• Authors: Yi Ma and Doris Tsao and Heung-Yeung Shum
• Abstract要約: 本稿では,インテリジェンスの全体像における深層ネットワークの理解に光を当てる理論的枠組みを提案する。 パシモニーと自己整合性の2つの基本原則を導入し、知性の出現の基盤となると信じている。
• 参考スコア（独自算出の注目度）: 10.951424145477633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ten years into the revival of deep networks and artificial intelligence, we propose a theoretical framework that sheds light on understanding deep networks within a bigger picture of Intelligence in general. We introduce two fundamental principles, Parsimony and Self-consistency, that we believe to be cornerstones for the emergence of Intelligence, artificial or natural. While these two principles have rich classical roots, we argue that they can be stated anew in entirely measurable and computable ways. More specifically, the two principles lead to an effective and efficient computational framework, compressive closed-loop transcription, that unifies and explains the evolution of modern deep networks and many artificial intelligence practices. While we mainly use modeling of visual data as an example, we believe the two principles will unify understanding of broad families of autonomous intelligent systems and provide a framework for understanding the brain.
• Abstract（参考訳）: 深層ネットワークと人工知能の復活から10年を経た今,我々は,インテリジェンスの全体像の中の深層ネットワークを理解するための理論的枠組みを提案している。 パシモニーと自己整合性の2つの基本原理を導入し、知性、人工的、または自然の出現の基盤となると信じている。 これら2つの原理は古典的ルーツが豊富であるが、完全に測定可能かつ計算可能な方法で新たに記述できると主張する。 より具体的に言うと、この2つの原則は効率的で効率的な計算フレームワーク、圧縮クローズドループ転写につながり、現代のディープネットワークと多くの人工知能の実践の進化を統一し、説明する。 視覚的データのモデリングを例に挙げるが、この2つの原則は、自律的なインテリジェントシステムの幅広いファミリーの理解を統一し、脳を理解するためのフレームワークを提供すると信じている。

関連論文リスト

• The Trap of Presumed Equivalence: Artificial General Intelligence Should Not Be Assessed on the Scale of Human Intelligence [0.0]
  知的システム理論における新しい知性を評価するための伝統的なアプローチは、人間のような行動や行動の類似性、「模倣」に基づいている。 いくつかの自然な仮定の下では、インテリジェントなシステムを開発することは、独自のインテントと目的を形成することができる、と我々は主張する。
  論文  参考訳（メタデータ） (2024-10-14T13:39:58Z)
• Artificial General Intelligence (AGI)-Native Wireless Systems: A Journey Beyond 6G [58.440115433585824]
  デジタルツイン(DT)のようなサービスをサポートする将来の無線システムの構築は、メタサーフェスのような従来の技術への進歩を通じて達成することが困難である。 人工知能(AI)ネイティブネットワークは、無線技術のいくつかの制限を克服することを約束する一方で、開発は依然としてニューラルネットワークのようなAIツールに依存している。 本稿では、AIネイティブ無線システムの概念を再考し、それらを人工知能(AGI)ネイティブシステムに変換するために必要な共通感覚を取り入れた。
  論文  参考訳（メタデータ） (2024-04-29T04:51:05Z)
• Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning [47.96987739801807]
  本稿では,既存のモデル(バックボーン)を明示的な知識学習によって原則的に拡張する枠組みを提案する。 LeApでは,新しい問題知識表現パラダイムで知識学習を行う。 LeApはすべてのバックボーンのパフォーマンスを改善し、正確な知識を習得し、より解釈可能な推論プロセスを実現する。
  論文  参考訳（メタデータ） (2023-02-11T15:15:41Z)
• A Probabilistic-Logic based Commonsense Representation Framework for Modelling Inferences with Multiple Antecedents and Varying Likelihoods [5.87677276882675]
  コモンセンス・ナレッジグラフ(英: Commonsense knowledge-graphs、CKG)は、テキストや環境入力で「推論」でき、知覚を超えた推論ができる機械を構築するための重要なリソースである。 本研究は,コモンセンス知識の表現方法として, (i) 複合的推論知識をモデル化し,様々な可能性で概念的信念を表現するための確率論的論理表現スキーム, (ii) 健全な概念関連関係を同定し,異なる概念レベルで信念を整理する階層的概念オントロジーを取り入れることにより, コモンセンス知識をより良く表現することができるかを検討する。
  論文  参考訳（メタデータ） (2022-11-30T08:44:30Z)
• Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
  過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。 このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。 CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-04-27T21:09:51Z)
• The General Theory of General Intelligence: A Pragmatic Patternist Perspective [0.0]
  レビューでは、基礎となる哲学、インテリジェンスの概念の形式化、およびAGIシステムのためのハイレベルアーキテクチャを取り上げている。 人間に似た認知アーキテクチャの特質は、これらの一般的な原則の表象として提示される。 OpenCog Hyperonのようなフレームワークにおける高度なAGIの実践的な実装の教訓を簡潔に検討する。
  論文  参考訳（メタデータ） (2021-03-28T10:11:25Z)
• Computational principles of intelligence: learning and reasoning with neural networks [0.0]
  本研究は3つの原則に基づく新しい知能の枠組みを提案する。 まず、学習された入力表現の生成的およびミラーリング的性質。 第二に、学習、問題解決、想像力のための基礎的、本質的で反復的なプロセス。 第三に、阻害規則を用いた因果的構成表現に対する推論メカニズムのアドホックチューニング。
  論文  参考訳（メタデータ） (2020-12-17T10:03:26Z)
• 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)
• Optimism in the Face of Adversity: Understanding and Improving Deep Learning through Adversarial Robustness [63.627760598441796]
  深層学習における対角的強靭性の分野を詳細に検討する。 直感的な対向例と深層ニューラルネットワークの幾何学的関係を強調した。 セキュリティを超えた敵の堅牢性の主な応用について概説する。
  論文  参考訳（メタデータ） (2020-10-19T16:03:46Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。