論文の概要: NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect Reasoning in Programmable Attractor Neural Networks

• arxiv url: http://arxiv.org/abs/2211.06462v1
• Date: Fri, 11 Nov 2022 19:56:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 19:27:15.026071
• Title: NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect Reasoning in Programmable Attractor Neural Networks
• Title（参考訳）: NeuroCERIL:プログラマブル・トラクター・ニューラルネットにおける階層的因果推論によるロボット模倣学習
• Authors: Gregory P. Davis, Garrett E. Katz, Rodolphe J. Gentili, James A. Reggia
• Abstract要約: 本稿では,脳にインスパイアされた神経認知アーキテクチャであるNeuroCERILについて紹介する。 シミュレーションされたロボット模倣学習領域において,NeuroCERILは様々な手続き的スキルを習得できることを示す。 我々は、NeuroCERILは人間のような模倣学習の実行可能な神経モデルであると結論付けた。
• 参考スコア（独自算出の注目度）: 2.0646127669654826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imitation learning allows social robots to learn new skills from human teachers without substantial manual programming, but it is difficult for robotic imitation learning systems to generalize demonstrated skills as well as human learners do. Contemporary neurocomputational approaches to imitation learning achieve limited generalization at the cost of data-intensive training, and often produce opaque models that are difficult to understand and debug. In this study, we explore the viability of developing purely-neural controllers for social robots that learn to imitate by reasoning about the underlying intentions of demonstrated behaviors. We present NeuroCERIL, a brain-inspired neurocognitive architecture that uses a novel hypothetico-deductive reasoning procedure to produce generalizable and human-readable explanations for demonstrated behavior. This approach combines bottom-up abductive inference with top-down predictive verification, and captures important aspects of human causal reasoning that are relevant to a broad range of cognitive domains. Our empirical results demonstrate that NeuroCERIL can learn various procedural skills in a simulated robotic imitation learning domain. We also show that its causal reasoning procedure is computationally efficient, and that its memory use is dominated by highly transient short-term memories, much like human working memory. We conclude that NeuroCERIL is a viable neural model of human-like imitation learning that can improve human-robot collaboration and contribute to investigations of the neurocomputational basis of human cognition.
• Abstract（参考訳）: シミュレーション学習は,人手によるプログラミングを行なわずに,人間教師から新しいスキルを習得することを可能にするが,ロボット模倣学習システムでは,人間の学習者と同じように,実証的なスキルを一般化することは困難である。 模倣学習に対する現代の神経計算的アプローチは、データ集約的トレーニングのコストで限定的な一般化を達成し、しばしば理解やデバッグが難しい不透明なモデルを生み出す。 本研究では,実演行動の意図を推論し,模倣を学習する社会ロボットのための純粋神経制御器の開発の可能性を検討する。 本稿では,脳に触発された神経認知アーキテクチャであるNeuroCERILについて述べる。 このアプローチはボトムアップ誘導推論とトップダウン予測検証を組み合わせて、幅広い認知領域に関連する人間の因果推論の重要な側面を捉える。 実験の結果,NeuroCERILは模擬ロボット模倣学習領域で様々な手続き的スキルを習得できることが示された。 また,因果推論手法は計算的に効率的であり,そのメモリ使用は人間の作業記憶と同様,過渡的な短期記憶に支配されていることを示す。 ニューロセラールは、人間とロボットの協調を改善し、人間の認知のニューロコンピューティング基盤の調査に寄与する、人間のような模倣学習の実行可能なニューラルモデルである。

関連論文リスト

• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• 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)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Control of synaptic plasticity via the fusion of reinforcement learning and unsupervised learning in neural networks [0.0]
  認知神経科学では、シナプスの可塑性が我々の驚くべき学習能力に不可欠な役割を担っていると広く受け入れられている。 このインスピレーションにより、強化学習と教師なし学習の融合により、新しい学習規則が提案される。 提案した計算モデルでは,非線形最適制御理論を誤差フィードバックループ系に類似させる。
  論文  参考訳（メタデータ） (2023-03-26T12:18:03Z)
• From Biological Synapses to Intelligent Robots [0.0]
  ヘビアンシナプス学習は、機械学習とインテリジェンスのための機能的関連モデルとして議論されている。 適応的な学習と制御の可能性を、監督なしで先導する。 ここで収集された洞察は、インテリジェントなロボティクスとセンサーシステムの選択ソリューションとして、Hebbianモデルに向けられている。
  論文  参考訳（メタデータ） (2022-02-25T12:39:22Z)
• Morphological Computation and Learning to Learn In Natural Intelligent Systems And AI [2.487445341407889]
  深層学習のアルゴリズムは、脳機能に関する私たちの不完全な知識にもかかわらず、自然、特に人間の脳からインスピレーションを受けています。 問題は、開発段階での計算的性質からインスピレーションを得られることは、ディープラーニングに何をもたらすのか、そして機械学習におけるモデルと実験が、神経科学と認知科学の研究を動機づけ、正当化し、導くことができるのかである。
  論文  参考訳（メタデータ） (2020-04-05T20:11:42Z)
• 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)

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。