論文の概要: Optimizing Integrated Information with a Prior Guided Random Search
Algorithm
- arxiv url: http://arxiv.org/abs/2212.04589v1
- Date: Thu, 8 Dec 2022 22:34:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 15:04:51.577202
- Title: Optimizing Integrated Information with a Prior Guided Random Search
Algorithm
- Title（参考訳）: 事前誘導ランダム探索アルゴリズムによる統合情報の最適化
- Authors: Eduardo C. Garrido-Merch\'an, Javier S\'anchez-Ca\~nizares
- Abstract要約: 統合情報理論は、物理的システムがいつ意識されているか、その意識の程度、およびシステムが経験している準領域の複雑さを推定するための定量的な尺度を提供する。
ノード数が増加するにつれて、より高い$Phi$を持つグラフの構造を調べるために、$Phi$を最適化できるランダム検索アルゴリズムを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integrated information theory (IIT) is a theoretical framework that provides
a quantitative measure to estimate when a physical system is conscious, its
degree of consciousness, and the complexity of the qualia space that the system
is experiencing. Formally, IIT rests on the assumption that if a surrogate
physical system can fully embed the phenomenological properties of
consciousness, then the system properties must be constrained by the properties
of the qualia being experienced. Following this assumption, IIT represents the
physical system as a network of interconnected elements that can be thought of
as a probabilistic causal graph, $\mathcal{G}$, where each node has an
input-output function and all the graph is encoded in a transition probability
matrix. Consequently, IIT's quantitative measure of consciousness, $\Phi$, is
computed with respect to the transition probability matrix and the present
state of the graph. In this paper, we provide a random search algorithm that is
able to optimize $\Phi$ in order to investigate, as the number of nodes
increases, the structure of the graphs that have higher $\Phi$. We also provide
arguments that show the difficulties of applying more complex black-box search
algorithms, such as Bayesian optimization or metaheuristics, in this particular
problem. Additionally, we suggest specific research lines for these techniques
to enhance the search algorithm that guarantees maximal $\Phi$.
- Abstract（参考訳）: 統合情報理論(Integrated Information theory、IIT)は、物理系がいつ意識されているか、その意識の程度、およびシステムが経験している準空間の複雑さを推定するための定量的な尺度を提供する理論フレームワークである。
正式には、iit は、サーロゲート物理系が意識の現象論的性質を完全に埋め込むことができるならば、系の特性は経験する四量体の特性によって制約されなければならないという仮定に基づいている。
この仮定に従うと、iit は物理系を確率因果グラフ $\mathcal{g}$ と考えることのできる相互接続された要素のネットワークとして表現し、各ノードは入出力関数を持ち、すべてのグラフは遷移確率行列に符号化される。
したがって、IITの意識の定量的尺度である$\Phi$は、遷移確率行列とグラフの現在の状態について計算される。
本稿では,ノード数が増加するにつれて,より高い$\Phi$を持つグラフの構造を調べるために,$\Phi$を最適化できるランダム探索アルゴリズムを提案する。
また,この問題においてベイズ最適化やメタヒューリスティックスなどの複雑なブラックボックス探索アルゴリズムを適用することの難しさを示す論証も提示する。
さらに,これらの手法に対して,最大$\phi$を保証する探索アルゴリズムを強化するための具体的な研究線を提案する。
関連論文リスト
- Quantum Algorithm for Testing Graph Completeness [0.0]
グラフ完全性をテストすることは、コンピュータ科学とネットワーク理論において重要な問題である。
Szegedy量子ウォークと量子位相推定(QPE)を用いた効率的なアルゴリズムを提案する。
このアプローチは、ネットワーク構造解析、古典的なルーティングアルゴリズムの評価、ペア比較に基づくシステム評価に有用である。
論文 参考訳（メタデータ） (2024-07-29T14:56:25Z) - Matching the Statistical Query Lower Bound for k-sparse Parity Problems with Stochastic Gradient Descent [83.85536329832722]
勾配勾配降下(SGD)は,$d$次元ハイパーキューブ上の$k$パリティ問題を効率的に解くことができることを示す。
次に、SGDでトレーニングされたニューラルネットワークがどのようにして、小さな統計的エラーで$k$-parityの問題を解決するかを実証する。
論文 参考訳（メタデータ） (2024-04-18T17:57:53Z) - Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳（メタデータ） (2024-03-08T18:50:19Z) - Inability of a graph neural network heuristic to outperform greedy
algorithms in solving combinatorial optimization problems like Max-Cut [0.0]
Nature Machine Intelligence 4, 367 (2022) において、Schuetzらは、様々な古典的なNPハード最適化問題を解決するためにニューラルネットワーク(GNN)を使用するスキームを提供している。
ネットワークがサンプルインスタンス上でどのようにトレーニングされているかを説明し、その結果のGNNは、広く使われているテクニックを適用して、その成功の可能性を判断する。
しかし, より綿密な検査により, このGNNの報告結果は勾配降下率よりもわずかに優れており, グリーディアルゴリズムにより性能が向上していることがわかった。
論文 参考訳（メタデータ） (2022-10-02T20:50:33Z) - Fractal Structure and Generalization Properties of Stochastic
Optimization Algorithms [71.62575565990502]
最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。
さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
論文 参考訳（メタデータ） (2021-06-09T08:05:36Z) - Brain Image Synthesis with Unsupervised Multivariate Canonical
CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文 参考訳（メタデータ） (2021-03-22T05:19:40Z) - Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。
問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。
本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-01-07T08:00:02Z) - Simulation of Quantum Computing on Classical Supercomputers [23.350853237013578]
本研究では,非方向グラフの切断エッジに基づくスキームを提案する。
このスキームは、木幅の大きな無向グラフのエッジをカットし、多くの無向グラフを得る。
4096コアのスーパーコンピュータ上で120量子3規則QAOAアルゴリズムをシミュレートできる。
論文 参考訳（メタデータ） (2020-10-28T13:26:41Z) - Physical System for Non Time Sequence Data [0.0]
本稿では,ニューラルネットワークw.r.t.入力変数のジャコビアン行列による機械学習と因果構造学習を結びつける新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T06:27:15Z) - A Dynamical Systems Approach for Convergence of the Bayesian EM
Algorithm [59.99439951055238]
我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。
本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。
高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-23T01:34:18Z)
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。