論文の概要: Meta-Learned Models of Cognition

• arxiv url: http://arxiv.org/abs/2304.06729v1
• Date: Wed, 12 Apr 2023 16:30:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 15:48:51.943918
• Title: Meta-Learned Models of Cognition
• Title（参考訳）: 認知のメタ学習モデル
• Authors: Marcel Binz, Ishita Dasgupta, Akshay Jagadish, Matthew Botvinick, Jane X. Wang, Eric Schulz
• Abstract要約: メタラーニングは、環境との反復的な相互作用を通じてアルゴリズムを学ぶためのフレームワークである。 本稿では,メタ学習型認知モデルを中心としたコヒーレントな研究プログラムを確立することを目的とする。
• 参考スコア（独自算出の注目度）: 11.488249464936422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meta-learning is a framework for learning learning algorithms through repeated interactions with an environment as opposed to designing them by hand. In recent years, this framework has established itself as a promising tool for building models of human cognition. Yet, a coherent research program around meta-learned models of cognition is still missing. The purpose of this article is to synthesize previous work in this field and establish such a research program. We rely on three key pillars to accomplish this goal. We first point out that meta-learning can be used to construct Bayes-optimal learning algorithms. This result not only implies that any behavioral phenomenon that can be explained by a Bayesian model can also be explained by a meta-learned model but also allows us to draw strong connections to the rational analysis of cognition. We then discuss several advantages of the meta-learning framework over traditional Bayesian methods. In particular, we argue that meta-learning can be applied to situations where Bayesian inference is impossible and that it enables us to make rational models of cognition more realistic, either by incorporating limited computational resources or neuroscientific knowledge. Finally, we reexamine prior studies from psychology and neuroscience that have applied meta-learning and put them into the context of these new insights. In summary, our work highlights that meta-learning considerably extends the scope of rational analysis and thereby of cognitive theories more generally.
• Abstract（参考訳）: メタラーニングは、手で設計するのではなく、環境との反復的なインタラクションを通じて学習アルゴリズムを学ぶためのフレームワークである。 近年,この枠組みは人間の認知モデル構築のための有望なツールとして確立されている。 しかし、メタ学習型認知モデルに関するコヒーレントな研究プログラムはいまだに欠けている。 本論文の目的は,この分野における先行研究を合成し,その研究プログラムを確立することである。 私たちはこの目標を達成するために3つの重要な柱に頼っている。 まず,メタ学習を用いてベイズ最適学習アルゴリズムを構築することを指摘した。 この結果は、ベイズモデルによって説明できるあらゆる行動現象がメタ学習モデルによって説明できるだけでなく、認知の合理的な分析との強いつながりをも意味している。 次に,従来のベイズ的手法に対するメタラーニングフレームワークの利点について論じる。 特に、メタラーニングはベイズ推論が不可能な状況に適用でき、限られた計算資源や神経科学知識を取り入れることで、認知の合理的モデルをより現実的なものにすることができると論じる。 最後に、メタラーニングを適用した心理学と神経科学の先行研究を再検討し、これらの新たな洞察の文脈に導入する。 要約すると、メタラーニングは合理的分析の範囲を大きく広げ、より一般的に認知理論を広めるものである。

関連論文リスト

• Language Evolution with Deep Learning [49.879239655532324]
  計算モデリングは言語の出現の研究において重要な役割を担っている。 構造化言語の出現を誘発する可能性のある条件と学習プロセスをシミュレートすることを目的としている。 この章では、最近機械学習の分野に革命をもたらした別の種類の計算モデル、ディープ・ラーニング・モデルについて論じる。
  論文  参考訳（メタデータ） (2024-03-18T16:52:54Z)
• Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models [51.43538150982291]
  人間の解釈可能な概念をデータから学習する方法を研究する。 両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
  論文  参考訳（メタデータ） (2024-02-14T15:23:59Z)
• More Flexible PAC-Bayesian Meta-Learning by Learning Learning Algorithms [15.621144215664769]
  PAC-Bayesian理論を用いたメタラーニング手法の研究のための新しいフレームワークを提案する。 私たちの大きな利点は、タスク間の知識の伝達を実現する方法において、柔軟性を高めることです。
  論文  参考訳（メタデータ） (2024-02-06T15:00:08Z)
• When Meta-Learning Meets Online and Continual Learning: A Survey [39.53836535326121]
  メタ学習は学習アルゴリズムを最適化するためのデータ駆動型アプローチである。 継続的な学習とオンライン学習はどちらも、ストリーミングデータでモデルを漸進的に更新する。 本稿では,一貫した用語と形式記述を用いて,様々な問題設定を整理する。
  論文  参考訳（メタデータ） (2023-11-09T09:49:50Z)
• 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)
• 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)
• A Metamodel and Framework for Artificial General Intelligence From Theory to Practice [11.756425327193426]
  本稿では,自律学習と適応性を大幅に向上させるメタモデルに基づく知識表現を提案する。 我々は,時系列解析,コンピュータビジョン,自然言語理解といった問題にメタモデルを適用した。 メタモデルの驚くべき結果のひとつは、新たなレベルの自律的な学習と、マシンインテリジェンスのための最適な機能を可能にするだけでなく、それを可能にすることだ。
  論文  参考訳（メタデータ） (2021-02-11T16:45:58Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)
• Meta-Learning in Neural Networks: A Survey [4.588028371034406]
  本調査では,現代メタラーニングの展望について述べる。 まずメタラーニングの定義について議論し、関連する分野について位置づける。 そこで我々はメタラーニング手法の空間をより包括的に分析する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-04-11T16:34:24Z)
• Revisiting Meta-Learning as Supervised Learning [69.2067288158133]
  メタラーニングと従来の教師付き学習の関連性を再考し,強化することで,原則的,統一的なフレームワークの提供を目指す。 タスク固有のデータセットとターゲットモデルを(機能、ラベル)サンプルとして扱うことで、多くのメタ学習アルゴリズムを教師付き学習のインスタンスに還元することができる。 この視点は、メタラーニングを直感的で実践的なフレームワークに統一するだけでなく、教師付き学習から直接洞察を伝達してメタラーニングを改善することができる。
  論文  参考訳（メタデータ） (2020-02-03T06:13:01Z)

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。