論文の概要: Consciousness is entailed by compositional learning of new causal structures in deep predictive processing systems
- arxiv url: http://arxiv.org/abs/2301.07016v3
- Date: Thu, 07 Nov 2024 22:38:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-11 14:53:11.736175
- Title: Consciousness is entailed by compositional learning of new causal structures in deep predictive processing systems
- Title（参考訳）: 深部予測処理システムにおける新しい因果構造の構成学習
- Authors: V. A. Aksyuk,
- Abstract要約: 人間では、そのような学習は特定の宣言的記憶形成を含み、意識と密接に関連している。
予測できない推論の階層的バインディングを通じて、オンラインで単例の新たな構造学習を追加することで予測処理を拡張する。
本提案では, 特徴結合, 繰り返し処理, 予測処理, 意識のグローバルな理論を自然に統一する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Machine learning algorithms have achieved superhuman performance in specific complex domains. However, learning online from few examples and compositional learning for efficient generalization across domains remain elusive. In humans, such learning includes specific declarative memory formation and is closely associated with consciousness. Predictive processing has been advanced as a principled Bayesian framework for understanding the cortex as implementing deep generative models for both sensory perception and action control. However, predictive processing offers little direct insight into fast compositional learning or of the separation between conscious and unconscious contents. Here, propose that access consciousness arises as a consequence of a particular learning mechanism operating within a predictive processing system. We extend predictive processing by adding online, single-example new structure learning via hierarchical binding of unpredicted inferences. This system learns new causes by quickly connecting together novel combinations of perceptions, which manifests as working memories that can become short- and long-term declarative memories retrievable by associative recall. The contents of such bound representations are unified yet differentiated, can be maintained by selective attention and are globally available. The proposed learning process explains contrast and masking manipulations, postdictive perceptual integration, and other paradigm cases of consciousness research. 'Phenomenal conscious experience' is how the learning system transparently models its own functioning, giving rise to perceptual illusions underlying the meta-problem of consciousness. Our proposal naturally unifies the feature binding, recurrent processing, predictive processing, and global workspace theories of consciousness.
- Abstract（参考訳）: 機械学習アルゴリズムは、特定の複雑な領域において超人的性能を達成した。
しかし、少数の例からオンラインで学習し、ドメイン間の効率的な一般化のための構成学習はいまだ解明されていない。
人間では、そのような学習は特定の宣言的記憶形成を含み、意識と密接に関連している。
予測処理は、感覚知覚と行動制御の両方のための深い生成モデルを実装するものとして、大脳皮質を理解するための原理化されたベイズ的枠組みとして進歩してきた。
しかし、予測処理は、高速な構成学習や、意識的な内容と無意識的な内容の分離に関する直接的な洞察をほとんど提供しない。
ここでは、予測処理システム内で動作する特定の学習メカニズムの結果として、アクセス意識が生じることを提案する。
予測できない推論の階層的バインディングを通じて、オンラインで単例の新たな構造学習を追加することで予測処理を拡張する。
本システムは,認知の新たな組み合わせを素早く結合することで新たな原因を学習し,連想記憶によって検索可能な短期的・長期的宣言記憶となる作業記憶として現れる。
このような有界表現の内容は統一されるが、区別され、選択的な注意によって維持され、グローバルに利用可能である。
提案した学習プロセスは、コントラストとマスキング操作、予測的知覚統合、その他の意識研究のパラダイムケースを説明する。
「現象意識体験」とは、学習システムが自身の機能を透過的にモデル化し、意識のメタプロブレムの根底にある知覚錯覚を引き起こす方法である。
本提案では,機能バインディング,反復処理,予測処理,グローバルワークスペース理論を自然に統一する。
関連論文リスト
- Memory, Space, and Planning: Multiscale Predictive Representations [5.572701755354684]
生物学的および人工エージェントの柔軟な行動は、過去からの学習の相互作用と、常に変化する環境における未来を予測することに依存する。
この章は、これらのプロセスが認知地図として知られる経験の構造を学ぶことに依存することを示す計算的、行動的、神経的な証拠をレビューする。
論文 参考訳（メタデータ） (2024-01-16T21:46:43Z) - Learning beyond sensations: how dreams organize neuronal representations [1.749248408967819]
仮想体験の生成を通じて表現を整理する2つの相補的な学習原理について論じる。
これらの原理は、既知の皮質構造や力学、睡眠の現象学と互換性がある。
論文 参考訳（メタデータ） (2023-08-03T15:45:12Z) - 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) - Memory-Augmented Theory of Mind Network [59.9781556714202]
社会的推論は、心の理論(ToM)の能力を必要とする。
ToMに対する最近の機械学習アプローチは、観察者が過去を読み、他のエージェントの振る舞いを提示するように訓練できることを実証している。
我々は,新たなニューラルメモリ機構を組み込んで符号化し,階層的な注意を払って他者に関する情報を選択的に検索することで,課題に対処する。
この結果、ToMMYは心的プロセスについての仮定をほとんど行わずに理性を学ぶマインドモデルである。
論文 参考訳（メタデータ） (2023-01-17T14:48:58Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Learning offline: memory replay in biological and artificial
reinforcement learning [1.0136215038345011]
神経科学・AI分野におけるリプレイの機能的役割を概観する。
リプレイは生物学的ニューラルネットワークにおけるメモリ統合に重要である。
また、ディープニューラルネットワークにおける学習の安定化の鍵でもある。
論文 参考訳（メタデータ） (2021-09-21T08:57:19Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳（メタデータ） (2021-07-10T19:02:27Z) - Cognitive architecture aided by working-memory for self-supervised
multi-modal humans recognition [54.749127627191655]
人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。
ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。
1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
論文 参考訳（メタデータ） (2021-03-16T13:50:24Z) - Importance Weighted Policy Learning and Adaptation [89.46467771037054]
政治外学習の最近の進歩の上に構築された,概念的にシンプルで,汎用的で,モジュール的な補完的アプローチについて検討する。
このフレームワークは確率論的推論文学のアイデアにインスパイアされ、堅牢な非政治学習と事前の行動を組み合わせる。
提案手法は,メタ強化学習ベースラインと比較して,ホールドアウトタスクにおける競合適応性能を実現し,複雑なスパース・リワードシナリオにスケールすることができる。
論文 参考訳（メタデータ） (2020-09-10T14:16:58Z) - Visualizing and Understanding Vision System [0.6510507449705342]
視覚認識再構成ネットワーク (RRN) を用いて, 発達, 認識, 学習, 忘れるメカニズムについて検討する。
数値認識研究では、RRNが様々な視聴条件下でオブジェクト不変性表現を維持できるのを目撃する。
学習・忘れ研究において、本来のシナプス接続のパターン特異性を保ちつつ、全シナプスを低等級に調整することで、新規な構造認識を行う。
論文 参考訳（メタデータ） (2020-06-11T07:08:49Z)
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。