論文の概要: Context sequence theory: a common explanation for multiple types of
learning
- arxiv url: http://arxiv.org/abs/2208.04707v1
- Date: Sun, 17 Jul 2022 12:51:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-14 18:25:35.528009
- Title: Context sequence theory: a common explanation for multiple types of
learning
- Title(参考訳): 文脈系列理論:多種類の学習のための一般的な説明
- Authors: Yu Mingcan and Wang Junying
- Abstract要約: 本稿では, 哺乳類における多種類の学習について, 共通して説明するために, 文脈シーケンス理論を提案する。
機械学習モデルの構築について、新たな洞察を得られることを願っています。
- 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: Although principles of neuroscience like reinforcement learning, visual
perception and attention have been applied in machine learning models, there is
a huge gap between machine learning and mammalian learning. Based on the
advances in neuroscience, we propose the context sequence theory to give a
common explanation for multiple types of learning in mammals and hope that can
provide a new insight into the construct of machine learning models.
- Abstract(参考訳): 強化学習、視覚知覚、注意といった神経科学の原則は機械学習モデルに応用されてきたが、機械学習と哺乳類学習の間には大きなギャップがある。
ニューロサイエンスの進歩に基づき、哺乳類における複数の種類の学習について共通の説明を与えるコンテキストシーケンス理論を提案し、機械学習モデルの構築に新たな洞察を与えることを期待している。
関連論文リスト
- A spring-block theory of feature learning in deep neural networks [11.396919965037636]
特徴学習深層ネットは、定期的に低次元の幾何学にデータを徐々に崩壊させる。
この現象は, 非線形性, ノイズ, 学習率, および力学を形作る他の選択の集合的作用から生じることを示す。
ダイアグラムを再現するマクロメカニカル理論を提案し、DNNのいくつかが遅延でアクティブな理由を説明し、層をまたいだ特徴学習と一般化をリンクする。
論文 参考訳(メタデータ) (2024-07-28T00:07:20Z) - Curriculum effects and compositionality emerge with in-context learning in neural networks [15.744573869783972]
In-context learning (ICL) が可能なネットワークは、ルールが支配するタスクにおいて、人間のような学習や構成の振る舞いを再現できることを示す。
我々の研究は、創発性ICLがニューラルネットワークに、伝統的に帰属するものと根本的に異なる学習特性を持たせる方法を示している。
論文 参考訳(メタデータ) (2024-02-13T18:55:27Z) - 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) - An introduction to reinforcement learning for neuroscience [5.0401589279256065]
強化学習は、時間差学習のための報酬予測エラー信号としてドーパミンに関する初期の研究から、神経科学において豊富な歴史を持っている。
近年の研究は、ドーパミンが深層学習で普及した「分散強化学習」の形式を実装できる可能性を示唆している。
論文 参考訳(メタデータ) (2023-11-13T13:10:52Z) - Explainability for Large Language Models: A Survey [59.67574757137078]
大規模言語モデル(LLM)は、自然言語処理における印象的な能力を示している。
本稿では,トランスフォーマーに基づく言語モデルを記述する手法について,説明可能性の分類法を紹介した。
論文 参考訳(メタデータ) (2023-09-02T22:14:26Z) - 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) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳(メタデータ) (2021-05-29T21:02:44Z) - The Autodidactic Universe [0.8795040582681388]
宇宙が自身の物理法則を学習する宇宙論へのアプローチを提案する。
我々はこれらの行列モデルをゲージ/重力理論と学習機械の数学的モデルの両方に対応づけたマップを発見する。
自律的なシステムでは,教師のいない学習がどのような意味を持つのかを詳細に議論する。
論文 参考訳(メタデータ) (2021-03-29T02:25:02Z) - Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。
本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文 参考訳(メタデータ) (2021-03-22T12:42:16Z) - Learning Compositional Rules via Neural Program Synthesis [67.62112086708859]
少数の例からルールシステム全体を学習するニューロシンボリックモデルを提案する。
入力からの出力を直接予測する代わりに、前述した例の集合を規定する規則の明示的な体系を誘導するようにモデルを訓練する。
論文 参考訳(メタデータ) (2020-03-12T01:06:48Z) - Machine Education: Designing semantically ordered and ontologically
guided modular neural networks [5.018156030818882]
まず、機械教育と教育に関する選択された試みについて論じる。
次に、人的教育から構造へ理論と方法論を結合させ、機械教育の授業設計における中核的な問題を数学的に定義する。
論文 参考訳(メタデータ) (2020-02-07T09:43:40Z)
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。