Fugu-MT 論文翻訳(概要): Stochastic Gradient Descent Captures How Children Learn About Physics

論文の概要: Stochastic Gradient Descent Captures How Children Learn About Physics

arxiv url: http://arxiv.org/abs/2209.12344v1
Date: Sun, 25 Sep 2022 22:56:14 GMT
ステータス: 処理完了
システム内更新日: 2022-09-27 14:36:24.781599
Title: Stochastic Gradient Descent Captures How Children Learn About Physics
Title（参考訳）: 子どもが物理を学べる確率的グラディエントDescent Capture
Authors: Luca M. Schulze Buschoff, Eric Schulz, Marcel Binz
Abstract要約: 本研究では,子どもの発達軌跡を人工システムの学習軌跡と比較する。モデルの学習軌跡は, 子どもの発達軌跡を捉え, 開発を最適化として支援することを見出した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As children grow older, they develop an intuitive understanding of the physical processes around them. They move along developmental trajectories, which have been mapped out extensively in previous empirical research. We investigate how children's developmental trajectories compare to the learning trajectories of artificial systems. Specifically, we examine the idea that cognitive development results from some form of stochastic optimization procedure. For this purpose, we train a modern generative neural network model using stochastic gradient descent. We then use methods from the developmental psychology literature to probe the physical understanding of this model at different degrees of optimization. We find that the model's learning trajectory captures the developmental trajectories of children, thereby providing support to the idea of development as stochastic optimization.
Abstract（参考訳）: 子どもが年をとると、周囲の物理的な過程を直感的に理解するようになる。彼らは発達軌道に沿って移動し、以前の経験的研究で広範囲にマッピングされた。本研究では,子どもの発達軌跡を人工システムの学習軌跡と比較する。具体的には,認知発達が何らかの確率的最適化手法から生じるという考えを考察する。この目的のために,確率的勾配降下を用いた現代的な生成ニューラルネットワークモデルを訓練する。次に、発達心理学文献の手法を用いて、異なる最適化度でこのモデルの物理的理解を探究する。モデルの学習軌跡が子供の発達的軌跡を捉え、確率的最適化としての発達の考え方への支援を提供する。

関連論文リスト

Development of Cognitive Intelligence in Pre-trained Language Models [3.1815791977708834]
近年の研究では、大規模事前学習言語モデルにおける創発的認知能力の証拠が示されている。 PLMの発達軌跡は、人間の認知発達に対する最大限の調整の窓を一貫して示している。この窓のあと、トレーニングは損失を減らすという工学的な目標に役立っているように見えるが、人間の認知との整合性を高めるという科学的目標ではない。
論文参考訳（メタデータ） (2024-07-01T07:56:36Z)
Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文参考訳（メタデータ） (2024-06-17T01:11:53Z)
The Acquisition of Physical Knowledge in Generative Neural Networks [9.799950649945597]
本研究では, 深層生成ニューラルネットワークの学習軌跡を, 身体的理解をテストベッドとして, 子どもの発達軌跡と比較する。我々のモデルは、多くの物理的過程を正確に予測できるが、両方の仮説の下での学習軌跡は、子供の発達軌跡に従わない。
論文参考訳（メタデータ） (2023-10-30T18:58:03Z)
Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
論文参考訳（メタデータ） (2022-04-17T11:21:18Z)
Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文参考訳（メタデータ） (2022-04-09T22:07:34Z)
A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
論文参考訳（メタデータ） (2021-10-06T08:26:57Z)
Continual Developmental Neurosimulation Using Embodied Computational Agents [0.0]
神経系の形態形成, 発達学習, 可塑性の関連現象のブリッジングにおける発達軌跡の役割を考察することができる。我々のアプローチは発達的実施と密に統合されており、発達的ブレイテンベルク車両(dBV)と呼ばれる種類のエージェントを用いて実装することができる。 dBVは、体、センサー、エフェクター、神経システムなど、エージェントベースのシステムへと変貌する、未定義の構造の集合として、自らの生活を始める。
論文参考訳（メタデータ） (2021-03-07T07:22:49Z)
An Open-World Simulated Environment for Developmental Robotics [1.2955718209635252]
SEDRoは、学習エージェントが、人間の幼児が胎児の段階から最大12ヶ月まで通る同様の経験をすることができる。発達心理学に基づく一連のシミュレーションテストを用いて、学習モデルの進捗状況を評価する。
論文参考訳（メタデータ） (2020-07-18T01:16:13Z)
A Developmental Neuro-Robotics Approach for Boosting the Recognition of Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文参考訳（メタデータ） (2020-03-23T14:55:00Z)
The large learning rate phase of deep learning: the catapult mechanism [50.23041928811575]
問題解決可能なトレーニングダイナミクスを備えたニューラルネットワークのクラスを提示する。現実的なディープラーニング環境において,モデルの予測とトレーニングのダイナミクスとの間には,よい一致がある。我々の結果は、異なる学習率でトレーニングされたモデルの特性に光を当てたと信じています。
論文参考訳（メタデータ） (2020-03-04T17:52:48Z)

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。