論文の概要: On Binding Objects to Symbols: Learning Physical Concepts to Understand Real from Fake

• arxiv url: http://arxiv.org/abs/2207.12186v1
• Date: Mon, 25 Jul 2022 17:21:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 13:12:39.190073
• Title: On Binding Objects to Symbols: Learning Physical Concepts to Understand Real from Fake
• Title（参考訳）: オブジェクトとシンボルの結合について - 偽物から現実を理解するために物理概念を学ぶ
• Authors: Alessandro Achille, Stefano Soatto
• Abstract要約: 我々は、ディープニューラルネットワークが合成データを生成する驚くべき能力に照らして、古典的な信号と記号の障壁を再考する。 物理オブジェクトを抽象概念として特徴付け,それ以前の解析を用いて,物理オブジェクトが有限なアーキテクチャで符号化可能であることを示す。 我々は、有限時間でデジタルIDに物理的実体を結合することは、有限資源で可能であると結論付けた。
• 参考スコア（独自算出の注目度）: 155.6741526791004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We revisit the classic signal-to-symbol barrier in light of the remarkable ability of deep neural networks to generate realistic synthetic data. DeepFakes and spoofing highlight the feebleness of the link between physical reality and its abstract representation, whether learned by a digital computer or a biological agent. Starting from a widely applicable definition of abstract concept, we show that standard feed-forward architectures cannot capture but trivial concepts, regardless of the number of weights and the amount of training data, despite being extremely effective classifiers. On the other hand, architectures that incorporate recursion can represent a significantly larger class of concepts, but may still be unable to learn them from a finite dataset. We qualitatively describe the class of concepts that can be "understood" by modern architectures trained with variants of stochastic gradient descent, using a (free energy) Lagrangian to measure information complexity. Even if a concept has been understood, however, a network has no means of communicating its understanding to an external agent, except through continuous interaction and validation. We then characterize physical objects as abstract concepts and use the previous analysis to show that physical objects can be encoded by finite architectures. However, to understand physical concepts, sensors must provide persistently exciting observations, for which the ability to control the data acquisition process is essential (active perception). The importance of control depends on the modality, benefiting visual more than acoustic or chemical perception. Finally, we conclude that binding physical entities to digital identities is possible in finite time with finite resources, solving in principle the signal-to-symbol barrier problem, but we highlight the need for continuous validation.
• Abstract（参考訳）: 我々は、ディープニューラルネットワークがリアルな合成データを生成する驚くべき能力に照らして、古典的な信号と記号の障壁を再考する。 ディープフェイクとスプーフィングは、デジタルコンピュータや生物学的エージェントによって学習されたとしても、物理的な現実とその抽象表現とのリンクの弱さを強調している。 抽象概念の広く適用可能な定義から、非常に効果的な分類器であるにもかかわらず、重みの数やトレーニングデータの量に関係なく、標準フィードフォワードアーキテクチャは、単純な概念をキャプチャできないことを示す。 一方、再帰を組み込んだアーキテクチャは、かなり大きな概念のクラスを表現できるが、有限データセットからそれらを学ぶことはできないかもしれない。 我々は、(自由エネルギー)ラグランジアンを用いて、確率的勾配降下の変種で訓練された現代のアーキテクチャによって「理解」できる概念のクラスを定性的に記述する。 しかし、たとえ概念が理解されたとしても、ネットワークは継続的な相互作用と検証を除いて、その理解を外部のエージェントに伝える手段を持たない。 次に、物理オブジェクトを抽象概念として特徴付け、以前の分析を用いて、物理オブジェクトを有限のアーキテクチャでエンコードできることを示す。 しかし、物理的概念を理解するには、センサーは継続的にエキサイティングな観察を提供しなければならず、データ取得プロセスを制御する能力は(アクティブな知覚)不可欠である。 制御の重要性はモダリティに依存し、音響や化学の知覚よりも視覚的に有利である。 最後に,デジタルアイデンティティに物理的実体を結合することは有限時間内に有限資源で可能であり,原則として信号対シンボル障壁問題を解くが,継続的な検証の必要性を強調する。

関連論文リスト

• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• 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)
• Intrinsic Physical Concepts Discovery with Object-Centric Predictive Models [86.25460882547581]
  PHYsical Concepts Inference NEtwork (PHYCINE) は、異なる抽象レベルの物理概念を監督なしで推論するシステムである。 物理概念変数を含むオブジェクト表現は因果推論タスクの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:52:21Z)
• Robust and Controllable Object-Centric Learning through Energy-based Models [95.68748828339059]
  我々の研究は概念的にシンプルで一般的なアプローチであり、エネルギーベースモデルを通してオブジェクト中心の表現を学習する。 既存のアーキテクチャに容易に統合でき、高品質なオブジェクト中心表現を効果的に抽出できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:11:15Z)
• 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)
• Emergent Symbols through Binding in External Memory [2.3562267625320352]
  本稿では,外部メモリを付加したリカレントネットワークであるEmergent Symbol Binding Network (ESBN)を紹介する。 このバインディングメカニズムにより、シンボル処理機械を明示的に組み込むことなく、学習プロセスを通じてシンボルのような表現が現れます。 一連のタスクを通じて、このアーキテクチャは学習したルールのほぼ完全な一般化を新しい実体に示すことを示しています。
  論文  参考訳（メタデータ） (2020-12-29T04:28:32Z)
• On the Binding Problem in Artificial Neural Networks [12.04468744445707]
  この欠点の根底にある原因は、動的かつ柔軟に情報を結合できないことである。 非構造化感覚入力から有意義な実体を形成するための統一フレームワークを提案する。 我々は,人間レベルの一般化を実現する上で,AIに対する構成的アプローチが基本的重要性であると考えている。
  論文  参考訳（メタデータ） (2020-12-09T18:02:49Z)
• Learning Neural-Symbolic Descriptive Planning Models via Cube-Space Priors: The Voyage Home (to STRIPS) [13.141761152863868]
  我々のニューロシンボリックアーキテクチャは、画像のみから簡潔で効果的な離散状態遷移モデルを生成するために、エンドツーエンドで訓練されていることを示す。 私たちのターゲット表現は、既成の問題解決者が使いこなせる形で既に存在しており、現代の検索機能への扉を開いています。
  論文  参考訳（メタデータ） (2020-04-27T15:01:54Z)

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。