論文の概要: What are the mechanisms underlying metacognitive learning?

• arxiv url: http://arxiv.org/abs/2302.04840v1
• Date: Thu, 9 Feb 2023 18:49:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 14:39:22.033760
• Title: What are the mechanisms underlying metacognitive learning?
• Title（参考訳）: メタ認知学習の基礎となるメカニズムは何か?
• Authors: Ruiqi He, Falk Lieder
• Abstract要約: 我々は、この能力は試行錯誤(メタ認知強化学習)から学ぶと仮定する。 ここでは、基礎となる学習メカニズムのモデルを体系化し、より洗練された追加メカニズムで強化する。 以上の結果から,認知戦略の空間における勾配上昇は,観察された定性的現象のほとんどを説明することができることが示唆された。
• 参考スコア（独自算出の注目度）: 5.787117733071415
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: How is it that humans can solve complex planning tasks so efficiently despite limited cognitive resources? One reason is its ability to know how to use its limited computational resources to make clever choices. We postulate that people learn this ability from trial and error (metacognitive reinforcement learning). Here, we systematize models of the underlying learning mechanisms and enhance them with more sophisticated additional mechanisms. We fit the resulting 86 models to human data collected in previous experiments where different phenomena of metacognitive learning were demonstrated and performed Bayesian model selection. Our results suggest that a gradient ascent through the space of cognitive strategies can explain most of the observed qualitative phenomena, and is therefore a promising candidate for explaining the mechanism underlying metacognitive learning.
• Abstract（参考訳）: 人間は認知資源が限られているにもかかわらず、複雑な計画課題を効率的に解決できるのだろうか? 理由の1つは、限られた計算資源を使って巧妙な選択をする方法を知る能力である。 我々は、この能力を試行錯誤(メタ認知強化学習)から学ぶことを仮定する。 ここでは、基礎となる学習メカニズムのモデルを体系化し、より洗練された追加メカニズムで強化する。 メタ認知学習の異なる現象を実証し,ベイズモデル選択を行った過去の実験で得られたデータに,結果の86モデルを適合させた。 以上より,認知戦略の空間における勾配上昇は,観察された質的現象のほとんどを説明でき,それゆえメタ認知的学習の基礎となるメカニズムを説明する有望な候補であることが示唆された。

関連論文リスト

• Non-equilibrium physics: from spin glasses to machine and neural learning [0.0]
  障害のある多体系は様々なスケールで幅広い創発現象を示す。 我々は、統計物理学を通して、乱れたシステムにおけるそのような突発的な知性を特徴付けることを目指している。 知的システムを設計するための指針となる学習メカニズムと物理力学の関係を明らかにする。
  論文  参考訳（メタデータ） (2023-08-03T04:56:47Z)
• On Physical Origins of Learning [0.0]
  我々は,非生物学的・非進化的起源を持つ学習を提案する。 学習の重要な特性は、単純な物理モデルで観察、説明、正確に再現できることが判明した。
  論文  参考訳（メタデータ） (2023-07-27T19:45:19Z)
• 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)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• 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)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• Towards Benchmarking Explainable Artificial Intelligence Methods [0.0]
  我々は、ニューラルネットワークによって推進される決定を説明する方法から、科学理論の哲学を、期待できるもの、期待できないものを明らかにすることを目的として分析レンズとして利用する。 ケーススタディにより、動物とヘッドギアの2つの常在領域における説明可能性法の性能の選択について検討した。 これらの手法の有用性は、人間のドメイン知識と、理解し、一般化し、理性に頼っている、と私たちはうなずく。
  論文  参考訳（メタデータ） (2022-08-25T14:28:30Z)
• 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)
• From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
  心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。 人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
  論文  参考訳（メタデータ） (2022-01-20T17:07:03Z)
• Have I done enough planning or should I plan more? [0.7734726150561086]
  この能力は,学習機構を逆エンジニアリングすることで得られることを示す。 計画のコストと利益に対して、どれだけの計画を実行したか、すぐに適応できることに気付きました。 その結果,計画の量を調整するメタ認知能力は,政策段階のメカニズムによって学習される可能性が示唆された。
  論文  参考訳（メタデータ） (2022-01-03T17:11:07Z)
• Hierarchical principles of embodied reinforcement learning: A review [11.613306236691427]
  すべての重要な認知メカニズムが独立した計算アーキテクチャで独立に実装されていることを示す。 我々は,より洗練された認知的インスパイアされた階層的手法の開発を導くことを期待する。
  論文  参考訳（メタデータ） (2020-12-18T10:19:38Z)

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。