論文の概要: Parallel development of social preferences in fish and machines
- arxiv url: http://arxiv.org/abs/2305.11137v1
- Date: Thu, 18 May 2023 17:32:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 13:39:16.198845
- Title: Parallel development of social preferences in fish and machines
- Title（参考訳）: 魚と機械における社会的嗜好の並列展開
- Authors: Joshua McGraw, Donsuk Lee, Justin Wood
- Abstract要約: 実世界では、高次元学習システムが高次元感覚入力と相互作用するとき、社会的嗜好が出現する。
ソーシャルグルーピングの深い理解には、感覚入力から直接学習する具体的モデルが必要である。
人工ニューラルネットワーク(ANN)を構築し、それらのANNを仮想魚体に具現化し、実際の魚の飼育状態を模倣した仮想魚槽に人工魚を飼育した。
人工魚が2つの中核学習機構(強化学習と好奇心駆動学習)を持つと、人工魚は魚のような社会的嗜好を発達させることがわかった。
- 参考スコア（独自算出の注目度）: 0.12891210250935145
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: What are the computational foundations of social grouping? Traditional
approaches to this question have focused on verbal reasoning or simple
(low-dimensional) quantitative models. In the real world, however, social
preferences emerge when high-dimensional learning systems (brains and bodies)
interact with high-dimensional sensory inputs during an animal's embodied
interactions with the world. A deep understanding of social grouping will
therefore require embodied models that learn directly from sensory inputs using
high-dimensional learning mechanisms. To this end, we built artificial neural
networks (ANNs), embodied those ANNs in virtual fish bodies, and raised the
artificial fish in virtual fish tanks that mimicked the rearing conditions of
real fish. We then compared the social preferences that emerged in real fish
versus artificial fish. We found that when artificial fish had two core
learning mechanisms (reinforcement learning and curiosity-driven learning),
artificial fish developed fish-like social preferences. Like real fish, the
artificial fish spontaneously learned to prefer members of their own group over
members of other groups. The artificial fish also spontaneously learned to
self-segregate with their in-group, akin to self-segregation behavior seen in
nature. Our results suggest that social grouping can emerge from three
ingredients: (1) reinforcement learning, (2) intrinsic motivation, and (3)
early social experiences with in-group members. This approach lays a foundation
for reverse engineering animal-like social behavior with image-computable
models, bridging the divide between high-dimensional sensory inputs and social
preferences.
- Abstract（参考訳）: ソーシャルグルーピングの計算基盤とは何か?
この質問に対する伝統的なアプローチは、口頭推論や単純な(低次元の)量的モデルに焦点が当てられている。
しかし、現実の世界では、高次元学習システム(脳と身体)が高次元の感覚入力と相互作用し、動物の世界との具体的相互作用によって社会的嗜好が出現する。
したがって、社会的グループ化の深い理解には、高次元の学習メカニズムを用いて感覚入力から直接学習する具体化モデルが必要である。
この目的のために、我々は人工ニューラルネットワーク(ANN)を構築し、それらのANNを仮想魚体に具現化し、実際の魚の飼育状態を模倣した仮想魚槽に人工魚を飼育した。
次に,実魚に出現する社会的嗜好と人工魚を比較した。
人工魚が2つの中核学習機構(強化学習と好奇心駆動学習)を持つと、人工魚は魚のような社会的嗜好を発達させることがわかった。
本物の魚と同様に、人工魚は自然に他のグループよりも自分のグループのメンバーを好むことを覚えた。
人工魚は自然界で見られる自己隔離行動に似た自己隔離を自発的に学んだ。
その結果,(1)強化学習,(2)本質的モチベーション,(3)グループ内メンバーによる初期ソーシャル体験の3因子からソーシャルグループ化が出現する可能性が示唆された。
このアプローチは、画像計算可能なモデルによるリバースエンジニアリングのような社会行動の基礎を築き、高次元感覚入力と社会的嗜好の分離をブリッジする。
関連論文リスト
- Artificial Theory of Mind and Self-Guided Social Organisation [1.8434042562191815]
人工知能(AI)が直面する課題の1つは、エージェントの集合が、単一のエージェントが到達できない目標を達成するために、どのように行動を調整するかである。
我々は、ニューラルネットワークにおける単一ニューロンの複雑さによる最近の研究に基づいて、一般的な設定での集合的知能について論じる。
社会構造が神経生理学、心理学、言語にどのように影響されているかを示す。
論文 参考訳（メタデータ） (2024-11-14T04:06:26Z) - Learning mental states estimation through self-observation: a developmental synergy between intentions and beliefs representations in a deep-learning model of Theory of Mind [0.35154948148425685]
心の理論(りょうがく、英: Theory of Mind、ToM)とは、信念、意図、精神状態などを他人に関連付ける能力である。
我々は,低レベル精神状態を予測する学習と,高レベル精神状態に寄与する学習との間に発達的な相乗効果を示す。
我々は,人間の社会的認知発達の理解に,我々の計算的アプローチが役立つことを示唆する。
論文 参考訳（メタデータ） (2024-07-25T13:15:25Z) - Predicting the long-term collective behaviour of fish pairs with deep learning [52.83927369492564]
本研究では,魚種Hemigrammus rhodostomusの社会的相互作用を評価するための深層学習モデルを提案する。
我々は、ディープラーニングのアプローチの結果と実験結果と、最先端の分析モデルの結果を比較した。
機械学習モデルにより、ソーシャルインタラクションは、微妙な実験的観測可能な解析的相互作用と直接競合できることを実証する。
論文 参考訳（メタデータ） (2023-02-14T05:25:03Z) - Flexible social inference facilitates targeted social learning when
rewards are not observable [58.762004496858836]
グループは、個人が他人の成功から学べるときにより効果的にコーディネートする。
社会的推論能力は、このギャップを埋める助けとなり、個人が他人の基本的な知識に対する信念を更新し、観察可能な行動軌跡から成功することを示唆する。
論文 参考訳（メタデータ） (2022-12-01T21:04:03Z) - Neural Theory-of-Mind? On the Limits of Social Intelligence in Large LMs [77.88043871260466]
私たちは、今日の最大の言語モデルのひとつに、このようなソーシャルインテリジェンスを最初から欠いていることを示しています。
我々は、人中心のNLPアプローチは、マインドの神経理論に対してより効果的であるかもしれないと結論づける。
論文 参考訳（メタデータ） (2022-10-24T14:58:58Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - Social Neuro AI: Social Interaction as the "dark matter" of AI [0.0]
我々は、社会心理学と社会神経科学の実証結果と力学の枠組みが、よりインテリジェントな人工エージェントの開発にインスピレーションを与えることができると主張している。
論文 参考訳（メタデータ） (2021-12-31T13:41:53Z) - Development of collective behavior in newborn artificial agents [0.0]
我々は、深層強化学習と好奇心駆動学習を用いて、集団行動を発達させる新しい人工エージェントを構築する。
我々のエージェントは、本質的なモチベーション(好奇心)のみを用いて、外部の報酬なしに集団行動を学ぶ。
この研究は、高次元の感覚入力と集団行動の分離を橋渡しし、その結果、集合動物の行動のピクセル間相互作用モデルをもたらす。
論文 参考訳（メタデータ） (2021-11-06T03:46:31Z) - PHASE: PHysically-grounded Abstract Social Events for Machine Social
Perception [50.551003004553806]
私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。
フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。
ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
論文 参考訳（メタデータ） (2021-03-02T18:44:57Z) - From Learning to Relearning: A Framework for Diminishing Bias in Social
Robot Navigation [3.3511723893430476]
社会的ナビゲーションモデルは、差別や差別のような社会的不公平を複製し、促進し、増幅することができる。
提案するフレームワークは,安全性と快適性を考慮したソーシャルコンテキストを学習プロセスに組み込んだtextitlearningと,発生前に潜在的に有害な結果を検出し修正するtextitrelearningの2つのコンポーネントで構成されている。
論文 参考訳（メタデータ） (2021-01-07T17:42:35Z) - Machine Common Sense [77.34726150561087]
機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである
本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
論文 参考訳（メタデータ） (2020-06-15T13:59:47Z)
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。