Fugu-MT 論文翻訳(概要): AAAI 2022 Fall Symposium: System-1 and System-2 realized within the Common Model of Cognition

論文の概要: AAAI 2022 Fall Symposium: System-1 and System-2 realized within the Common Model of Cognition

arxiv url: http://arxiv.org/abs/2305.09091v2
Date: Thu, 25 May 2023 00:43:22 GMT
ステータス: 処理完了
システム内更新日: 2023-05-26 19:47:27.620448
Title: AAAI 2022 Fall Symposium: System-1 and System-2 realized within the Common Model of Cognition
Title（参考訳）: aaai 2022 fall symposium: system-1とsystem-2が共通認知モデルで実現
Authors: Brendan Conway-Smith and Robert L. West
Abstract要約: 認知の共通モデルにSystem-1とSystem-2を配置する。その結果, System-1 と 2 の特徴的な特徴と考えられるものは,その代わりに認知特性のスペクトルを形成することが明らかとなった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Attempts to import dual-system descriptions of System-1 and System-2 into AI have been hindered by a lack of clarity over their distinction. We address this and other issues by situating System-1 and System-2 within the Common Model of Cognition. Results show that what are thought to be distinctive characteristics of System-1 and 2 instead form a spectrum of cognitive properties. The Common Model provides a comprehensive vision of the computational units involved in System-1 and System-2, their underlying mechanisms, and the implications for learning, metacognition, and emotion.
Abstract（参考訳）: System-1とSystem-2の二重システム記述をAIにインポートしようとする試みは、その区別の明確さの欠如によって妨げられている。我々は、システム1とシステム2を共通認知モデル内で配置することで、これや他の問題に対処する。その結果、system-1と2の特徴的な特徴と考えられるものは、代わりに認知特性のスペクトルを形成することが示された。 Common Modelは、System-1とSystem-2に関わる計算ユニット、その基盤となるメカニズム、学習、メタ認知、感情などに関する包括的なビジョンを提供する。

関連論文リスト

System-1.x: Learning to Balance Fast and Slow Planning with Language Models [68.77277620915143]
言語モデルは、2つの異なるモードで長期計画問題の解決に使用できる。高速な 'System-1' モード、明示的な検索やバックトラックなしで直接計画を生成する、遅い 'System-2' モード、ステップバイステップの計画。 LLMを用いた制御可能な計画フレームワークであるSystem-1.x Plannerを提案する。
論文参考訳（メタデータ） (2024-07-19T15:40:59Z)
Distilling System 2 into System 1 [35.194258450176534]
大規模言語モデル(LLM)は、中間思考を生成するために推論中に余分な計算に費やすことができる。そこで本研究では, 従来のシステム1の性能と比較して, 改良された結果が得られることを示す。
論文参考訳（メタデータ） (2024-07-08T15:17:46Z)
Quantifying and combining uncertainty for improving the behavior of Digital Twin Systems [1.7726648147818043]
我々は適応システムのデジタルツインに注目し、特に設計、検証、最適化に複雑である。両双生児の不確かさの明示的表現と治療について提案し, 両双生児の行動のより正確な比較を可能にする方法を示す。
論文参考訳（メタデータ） (2024-02-16T09:46:40Z)
A Graphical Modeling Language for Artificial Intelligence Applications in Automation Systems [69.50862982117127]
学際的なグラフィカルモデリング言語で、すべての分野に理解可能なシステムとして、AIアプリケーションのモデリングを可能にすることは、まだ存在しない。本稿では,システムレベルでの自動化システムにおけるAIアプリケーションの一貫した,理解可能なモデリングを可能にするグラフィカルモデリング言語を提案する。
論文参考訳（メタデータ） (2023-06-20T12:06:41Z)
Clarifying System 1 & 2 through the Common Model of Cognition [0.0]
認識の共通モデルを用いてシステム1とシステム2を接地する。本研究の目的は,その基盤となるメカニズム,誤解の持続,メタ認知への示唆を明らかにすることである。
論文参考訳（メタデータ） (2023-05-18T02:25:03Z)
The dynamics of belief: continuously monitoring and visualising complex systems [0.0]
人間のコンテキストにおけるAIの台頭は、自動化されたシステムに対する新たな要求を透明で説明可能なものにします。我々は、複雑な人間の文脈でデジタルシステムを考えるための理論的枠組みを開発する。
論文参考訳（メタデータ） (2022-08-11T11:51:35Z)
Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文参考訳（メタデータ） (2021-11-28T14:24:52Z)
Improving Coherence and Consistency in Neural Sequence Models with Dual-System, Neuro-Symbolic Reasoning [49.6928533575956]
我々は、神経系1と論理系2の間を仲介するために神経推論を用いる。強靭なストーリー生成とグラウンドド・インストラクション・フォローリングの結果、このアプローチは神経系世代におけるコヒーレンスと精度を高めることができることを示した。
論文参考訳（メタデータ） (2021-07-06T17:59:49Z)
Scholarly AI system diagrams as an access point to mental models [6.233820957059352]
人工知能(AI)システムのような複雑なシステムは、多くの相互関連コンポーネントで構成されている。これらのシステムを表現するためには、コンポーネント間の関係を示すことが不可欠です。図は「関係のアイコン」として、複雑なシステムを示すための一般的な媒体です。
論文参考訳（メタデータ） (2021-04-30T07:55:18Z)
Multi-objective discovery of PDE systems using evolutionary approach [77.34726150561087]
本稿では,多目的共進化アルゴリズムについて述べる。システム内の単一の方程式とシステム自体が同時に進化し、システムを得る。単一のベクトル方程式とは対照的に、コンポーネント・ワイド・システムは専門家の解釈により適しており、従って応用にも適している。
論文参考訳（メタデータ） (2021-03-11T15:37:52Z)
Self-organizing Democratized Learning: Towards Large-scale Distributed Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文参考訳（メタデータ） (2020-07-07T08:34:48Z)

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。