論文の概要: Modularizing and Assembling Cognitive Map Learners via Hyperdimensional
Computing
- arxiv url: http://arxiv.org/abs/2304.04734v1
- Date: Mon, 10 Apr 2023 17:47:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 14:02:18.379226
- Title: Modularizing and Assembling Cognitive Map Learners via Hyperdimensional
Computing
- Title（参考訳）: 超次元計算による認知地図学習者のモジュール化と組み立て
- Authors: Nathan McDonald
- Abstract要約: 認知地図学習者(CML)は、3つの独立した、協調的に訓練された人工ニューラルネットワークの集合である。
この研究は、高次元コンピューティング(HDC)に適した高次元ベクトルとして表現されたノード状態を持つCMLを作成し、シンボリック機械学習(ML)の形式である。
最初のアプローチではHDCを使用して任意の数の階層CMLを設計し、各グラフノード状態が次の下位レベルCMLに対してターゲットノード状態を指定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biological organisms must learn how to control their own bodies to achieve
deliberate locomotion, that is, predict their next body position based on their
current position and selected action. Such learning is goal-agnostic with
respect to maximizing (minimizing) an environmental reward (penalty) signal. A
cognitive map learner (CML) is a collection of three separate yet
collaboratively trained artificial neural networks which learn to construct
representations for the node states and edge actions of an arbitrary
bidirectional graph. In so doing, a CML learns how to traverse the graph nodes;
however, the CML does not learn when and why to move from one node state to
another. This work created CMLs with node states expressed as high dimensional
vectors suitable for hyperdimensional computing (HDC), a form of symbolic
machine learning (ML). In so doing, graph knowledge (CML) was segregated from
target node selection (HDC), allowing each ML approach to be trained
independently. The first approach used HDC to engineer an arbitrary number of
hierarchical CMLs, where each graph node state specified target node states for
the next lower level CMLs to traverse to. Second, an HDC-based
stimulus-response experience model was demonstrated per CML. Because
hypervectors may be in superposition with each other, multiple experience
models were added together and run in parallel without any retraining. Lastly,
a CML-HDC ML unit was modularized: trained with proxy symbols such that
arbitrary, application-specific stimulus symbols could be operated upon without
retraining either CML or HDC model. These methods provide a template for
engineering heterogenous ML systems.
- Abstract（参考訳）: 生物学的生物は、故意の移動、すなわち、現在の位置と選択された行動に基づいて次の身体の位置を予測するために、自身の身体を制御する方法を学ぶ必要がある。
このような学習は、環境報酬(ペナルティ)信号の最大化(最小化)に関して、目標に依存しない。
認知地図学習者(CML)は、任意の双方向グラフのノード状態とエッジ動作の表現を学習する3つの独立した、協調的に訓練された人工ニューラルネットワークの集合である。
そのため、cmlはグラフノードをトラバースする方法を学習するが、cmlはいつ、なぜあるノードの状態から別のノードへ移行すべきかを学習しない。
この研究は、高次元コンピューティング(HDC)に適した高次元ベクトルとして表現されたノード状態を持つCMLを作成しました。
これにより、グラフ知識(CML)はターゲットノード選択(HDC)から分離され、各MLアプローチを独立してトレーニングすることができる。
最初のアプローチではHDCを使用して任意の数の階層CMLを設計し、各グラフノード状態が次の下位レベルCMLに対してターゲットノード状態を指定する。
第2に,HDCをベースとした刺激応答体験モデルがCML毎に実証された。
ハイパーベクターは互いに重なり合っているため、複数の経験モデルが組み合わされ、再トレーニングなしに並列に実行される。
最後に、CML-HDC MLユニットがモジュール化され、任意のアプリケーション固有の刺激記号をCMLまたはHDCモデルを再トレーニングすることなく操作できるようにプロキシシンボルで訓練された。
これらの手法は異種MLシステムのテンプレートを提供する。
関連論文リスト
- Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - Modular, Hierarchical Machine Learning for Sequential Goal Completion [0.0]
典型的な機械学習(ML)ソリューションには、モノリシックにトレーニングされた人工知能(ANN)が含まれる。
モノリシックなANNの代わりに、モジュール型MLコンポーネントは、1)独立して最適化可能(タスクに依存しない)、2)他のMLモジュールと任意に再構成可能である。
本研究は,1)認知マップ学習者(CML)と2)超次元コンピューティング(HDC)の2つの新興ML技術を統合することで,モジュラーで階層的なMLフレームワークを記述する。
論文 参考訳（メタデータ） (2024-04-29T19:01:55Z) - Assembling Modular, Hierarchical Cognitive Map Learners with Hyperdimensional Computing [0.0]
認知地図学習者(Cognitive Map Learningers, CML)は、独立して訓練された単一層人工ニューラルネットワーク(行列)の集合である。
この研究は、高次元ベクトルとして表現されたノード状態を持つCMLを、シンボリック機械学習(ML)の形式である超次元計算(HDC)と整合する。
いくつかのCMLは独立に作成され、それぞれのグラフトポロジーに明示的に言及せずにハノイの塔を解くために再利用された。
論文 参考訳（メタデータ） (2024-04-29T18:45:51Z) - Sparse Concept Bottleneck Models: Gumbel Tricks in Contrastive Learning [86.15009879251386]
概念ボトルネックモデル(CBM)を用いた新しいアーキテクチャと説明可能な分類法を提案する。
CBMには、さらなる概念のセットが必要である。
CLIPをベースとしたボトルネックモデルにおいて,スパース隠れ層を用いた精度の大幅な向上を示す。
論文 参考訳（メタデータ） (2024-04-04T09:43:43Z) - UniMAP: Universal SMILES-Graph Representation Learning [21.25038529787392]
ユニバーサルSMILEグラフ表現学習モデル(UniMAP)を提案する。
CMM(Multi-Level Cross-Modality Masking)、SMILES-Graph Matching(SGM)、FLA(Fragment-Level Alignment)、ドメイン知識学習(DKL)の4種類の事前学習タスクがユニマップ向けに設計されている。
実験の結果,UniMAPは最先端の事前学習方法よりも優れていた。
論文 参考訳（メタデータ） (2023-10-22T07:48:33Z) - Interactive Decision Tree Creation and Enhancement with Complete
Visualization for Explainable Modeling [0.0]
決定木(DT)は、多くのブラックボックスMLモデルを理解するために使用されるため、機械学習(ML)において必須である。
完全な視覚的決定木による作成と拡張のための2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2023-05-28T23:44:15Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Decoupled Multi-task Learning with Cyclical Self-Regulation for Face
Parsing [71.19528222206088]
顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。
具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。
提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-28T02:12:30Z) - Information Bottleneck-Based Hebbian Learning Rule Naturally Ties
Working Memory and Synaptic Updates [0.0]
私たちは、バックプロパゲーションとその関連する問題を完全に回避する、別のアプローチを取っています。
深層学習における最近の研究は、情報ボトルネック(IB)を介してネットワークの各層を個別に訓練することを提案した。
この変調信号は、貯水池のような動作記憶を持つ補助回路で学習可能であることを示す。
論文 参考訳（メタデータ） (2021-11-24T17:38:32Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Sparse Graphical Memory for Robust Planning [93.39298821537197]
スパースメモリに状態と実現可能な遷移を格納する新しいデータ構造であるスパースグラフィカルメモリ(SGM)を導入する。
SGMは、ゴール条件付きRLに古典的状態集約基準を適用し、新しい双方向整合目標に従って状態を集約する。
本研究では, SGM が, 遠近法, スパース・リワード視覚ナビゲーションタスクにおいて, 最先端の工法を著しく上回っていることを示す。
論文 参考訳（メタデータ） (2020-03-13T17:59:32Z)
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。