論文の概要: Artificial Neuropsychology: Are Large Language Models Developing
Executive Functions?
- arxiv url: http://arxiv.org/abs/2305.04134v2
- Date: Tue, 17 Oct 2023 16:53:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 22:01:28.831207
- Title: Artificial Neuropsychology: Are Large Language Models Developing
Executive Functions?
- Title(参考訳): 人工神経心理学 : 大きな言語モデルが実行機能を生み出すか?
- Authors: Hernan Ceferino Vazquez
- Abstract要約: ハノイ・タワーズ・オブ・ハノイ法によるGPTの計画機能と作業記憶の評価を行った。
予備的な結果は、LLMがハノイの塔でほぼ最適解を生成することを示している。
これらの能力は、タスクが分かっていないときに、よく訓練された人間よりも非常に制限され、悪い。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) has been rapidly advancing and has demonstrated
its ability to perform a wide range of cognitive tasks, including language
processing, visual recognition, and decision-making. Part of this progress is
due to LLMs (Large Language Models) like those of the GPT (Generative
Pre-Trained Transformers) family. These models are capable of exhibiting
behavior that can be perceived as intelligent. Most authors in Neuropsychology
consider intelligent behavior to depend on a number of overarching skills, or
Executive Functions (EFs), which rely on the correct functioning of neural
networks in the frontal lobes, and have developed a series of tests to evaluate
them. In this work, we raise the question of whether LLMs are developing
executive functions similar to those of humans as part of their learning, and
we evaluate the planning function and working memory of GPT using the popular
Towers of Hanoi method. Additionally, we introduce a new variant of the
classical method in order to avoid that the solutions are found in the LLM
training data (dataleakeage). Preliminary results show that LLMs generates
near-optimal solutions in Towers of Hanoi related tasks, adheres to task
constraints, and exhibits rapid planning capabilities and efficient working
memory usage, indicating a potential development of executive functions.
However, these abilities are quite limited and worse than well-trained humans
when the tasks are not known and are not part of the training data.
- Abstract(参考訳): 人工知能(AI)は急速に進歩しており、言語処理、視覚認識、意思決定を含む幅広い認知タスクを実行する能力を示している。
この進歩の一部は、GPT(Generative Pre-Trained Transformers)ファミリーのようなLLM(Large Language Models)によるものである。
これらのモデルは、知的と見なされる行動を示すことができる。
神経心理学のほとんどの著者は、知的行動は、前頭葉におけるニューラルネットワークの正しい機能に依存するいくつかのオーバーアーキシングスキル(efs)に依存すると考え、それらを評価するための一連のテストを開発した。
本研究では,LLMが学習の一環として人間に類似したエグゼクティブ機能を開発しているかどうかを疑問視し,ハノイのタワーを用いたGPTの計画機能と作業記憶の評価を行った。
さらに,LLMトレーニングデータ(dataleakeage)に解が存在することを避けるため,従来の手法の新たな変種を導入する。
予備的な結果から,LLMはハノイのタワーズでほぼ最適解を生成し,タスク制約に従属し,迅速な計画能力と効率的なワーキングメモリ利用を示し,経営機能の発展の可能性を示している。
しかし、これらの能力は、タスクが分かっておらず、トレーニングデータの一部ではない場合、十分に訓練された人間よりもかなり限定的で悪い。
関連論文リスト
- Enhancing Q-Learning with Large Language Model Heuristics [0.0]
大規模言語モデル(LLM)はゼロショット学習を実現することができるが、一般的には単純なタスクに限られる。
強化学習におけるQ関数の学習を支援するために,LLMを用いたtextbfLLM-guided Q-learningを提案する。
提案アルゴリズムは,非効率探索を回避し,サンプリング効率を向上し,複雑な制御タスクに適している。
論文 参考訳(メタデータ) (2024-05-06T10:42:28Z) - KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents [54.09074527006576]
大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を証明していますが、より高度な課題に取り組むには不十分です。
この不適切さは、主に言語エージェントのアクション知識が組み込まれていないことに起因する。
我々は、明示的な行動知識を取り入れることで、LLMの計画能力を高めるために設計された新しいアプローチであるKnowAgentを紹介する。
論文 参考訳(メタデータ) (2024-03-05T16:39:12Z) - Empowering Large Language Model Agents through Action Learning [89.07382951897941]
大規模言語モデル(LLM)エージェントは最近ますます関心を集めているが、試行錯誤から学ぶ能力は限られている。
我々は、経験から新しい行動を学ぶ能力は、LLMエージェントの学習の進歩に欠かせないものであると論じる。
我々はPython関数の形式でアクションを作成し改善するための反復学習戦略を備えたフレームワークLearningActを紹介した。
論文 参考訳(メタデータ) (2024-02-24T13:13:04Z) - LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。
宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。
我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
論文 参考訳(メタデータ) (2023-06-05T23:32:26Z) - Define, Evaluate, and Improve Task-Oriented Cognitive Capabilities for
Instruction Generation Models [5.975913042883176]
最近の研究は、人間のために設計された心理学的テストを通して言語モデルの認知能力を研究する。
我々は、言語モデルがタスクを実行するために利用する人間のような認知能力であるタスク指向認知能力を定式化する。
論文 参考訳(メタデータ) (2022-12-21T04:43:19Z) - Neural Routing in Meta Learning [9.070747377130472]
入力タスクに条件付けされたモデルの部分のみを選択的に使用することにより,現在のメタ学習アルゴリズムのモデル性能を向上させることを目指している。
本稿では、バッチ正規化層におけるスケーリング係数を活用することにより、深層畳み込みニューラルネットワーク(CNN)におけるタスク依存の動的ニューロン選択を研究するアプローチについて述べる。
提案手法であるニューラルルーティング・イン・メタラーニング(NRML)は,数ショットの分類タスクにおいて,既知のメタラーニングベースラインの1つである。
論文 参考訳(メタデータ) (2022-10-14T16:31:24Z) - Modeling cognitive load as a self-supervised brain rate with
electroencephalography and deep learning [2.741266294612776]
本研究では,脳波データからメンタルワークロードをモデリングするための,新たな自己教師型手法を提案する。
脳波データからスペクトル地形図を空間的に保存して脳速度変数に適合させることができる畳み込みリカレントニューラルネットワークである。
学習した認知活性化の準安定なブロックの存在は、それらは畳み込みによって誘導され、時間とともに互いに依存していないように見えるため、脳反応の非定常的性質と直感的に一致している。
論文 参考訳(メタデータ) (2022-09-21T07:44:21Z) - Learning Bayesian Sparse Networks with Full Experience Replay for
Continual Learning [54.7584721943286]
継続学習(CL)手法は、機械学習モデルが、以前にマスターされたタスクを壊滅的に忘れることなく、新しいタスクを学習できるようにすることを目的としている。
既存のCLアプローチは、しばしば、事前に確認されたサンプルのバッファを保持し、知識蒸留を行い、あるいはこの目標に向けて正規化技術を使用する。
我々は,現在および過去のタスクを任意の段階で学習するために,スパースニューロンのみを活性化し,選択することを提案する。
論文 参考訳(メタデータ) (2022-02-21T13:25:03Z) - Hierarchical Few-Shot Imitation with Skill Transition Models [66.81252581083199]
FIST(Few-shot Imitation with Skill Transition Models)は、オフラインデータからスキルを抽出し、それらを利用して見えないタスクに一般化するアルゴリズムである。
本稿では,FISTが新たなタスクに一般化し,ナビゲーション実験において従来のベースラインを大幅に上回っていることを示す。
論文 参考訳(メタデータ) (2021-07-19T15:56:01Z) - Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。
RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
論文 参考訳(メタデータ) (2020-11-19T18:47:40Z)
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。