論文の概要: Meta Neural Coordination
- arxiv url: http://arxiv.org/abs/2305.12109v1
- Date: Sat, 20 May 2023 06:06:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 00:37:10.448855
- Title: Meta Neural Coordination
- Title（参考訳）: メタニューラルコーディネーション
- Authors: Yuwei Sun
- Abstract要約: メタラーニングは、新しい変化する環境に適応するために、他の学習アルゴリズムから学習できるアルゴリズムを開発することを目的としている。
従来のディープニューラルネットワークの予測の不確かさは、世界の部分的な予測可能性を強調している。
生物学的にインスパイアされたマシンインテリジェンスを構築するために必要な潜在的な進歩について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Meta-learning aims to develop algorithms that can learn from other learning
algorithms to adapt to new and changing environments. This requires a model of
how other learning algorithms operate and perform in different contexts, which
is similar to representing and reasoning about mental states in the theory of
mind. Furthermore, the problem of uncertainty in the predictions of
conventional deep neural networks highlights the partial predictability of the
world, requiring the representation of multiple predictions simultaneously.
This is facilitated by coordination among neural modules, where different
modules' beliefs and desires are attributed to others. The neural coordination
among modular and decentralized neural networks is a fundamental prerequisite
for building autonomous intelligence machines that can interact flexibly and
adaptively. In this work, several pieces of evidence demonstrate a new avenue
for tackling the problems above, termed Meta Neural Coordination. We discuss
the potential advancements required to build biologically-inspired machine
intelligence, drawing from both machine learning and cognitive science
communities.
- Abstract（参考訳）: メタラーニングは、他の学習アルゴリズムから学び、新しく変化する環境に適応できるアルゴリズムを開発することを目的としている。
これは、心の理論における精神状態の表現と推論に類似した、他の学習アルゴリズムが異なる文脈で動作し、実行する方法のモデルを必要とする。
さらに、従来のディープニューラルネットワークの予測の不確実性問題は、世界の部分的な予測可能性を強調し、複数の予測を同時に表現する必要がある。
これは、異なるモジュールの信念と欲望が他のモジュールに帰属する神経モジュール間の協調によって促進される。
モジュラーと分散ニューラルネットワーク間の神経調整は、柔軟かつ適応的に相互作用できる自律知能マシンを構築するための基本的な前提条件である。
この研究において、いくつかの証拠が上記の問題に取り組むための新しい道のりを示し、メタニューラルコーディネーション(meta neural coordination)と呼ばれる。
我々は、生物学的にインスパイアされたマシンインテリジェンスを構築するために必要な潜在的な進歩について論じる。
関連論文リスト
- Rhythmic sharing: A bio-inspired paradigm for zero-shot adaptation and learning in neural networks [0.0]
我々は,リンク強度の振動に基づく学習パラダイムを開発し,これらの振動の協調と学習を関連づける。
このパラダイムは,ニューラルネットワークの急速な適応と学習をもたらす。
我々の研究は、主要なAIモデルに迅速な適応と学習機能を導入するための扉を開く。
論文 参考訳（メタデータ） (2025-02-12T18:58:34Z) - Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
神経科学とAIの両方において、ニューロン間の'結合'が競合学習の形式につながることは長年知られている。
完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。
このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、推論など、幅広いタスクに性能改善をもたらすことを示す。
論文 参考訳（メタデータ） (2024-10-17T17:47:54Z) - Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - Reasoning Algorithmically in Graph Neural Networks [1.8130068086063336]
ニューラルネットワークの適応学習能力にアルゴリズムの構造的および規則に基づく推論を統合することを目的としている。
この論文は、この領域の研究に理論的および実践的な貢献を提供する。
論文 参考訳（メタデータ） (2024-02-21T12:16:51Z) - Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Meta Learning in Decentralized Neural Networks: Towards More General AI [0.0]
我々は、分散ニューラルネットワーク(分散NN)の内容から学ぶための学習の基本的な理解を提供することを目的としている。
このような分散学習システムを構築するために,我々は3つの異なるアプローチを提案する。
論文 参考訳（メタデータ） (2023-02-02T11:15:07Z) - A brain basis of dynamical intelligence for AI and computational
neuroscience [0.0]
より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。
本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
論文 参考訳（メタデータ） (2021-05-15T19:49:32Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳（メタデータ） (2020-12-07T01:20:38Z) - Brain-inspired global-local learning incorporated with neuromorphic
computing [35.70151531581922]
我々は,脳に触発されたメタラーニングパラダイムと,神経力学とシナプス可塑性を取り入れた識別可能なスパイキングモデルを導入することで,ニューロモルフィックハイブリッド学習モデルを報告した。
ニューロモルフィック・ビジョン・センサにおける数ショット学習、連続学習、フォールトトレランス学習を含む複数のタスクにおいて、このモデルの利点を実証する。
論文 参考訳（メタデータ） (2020-06-05T04:24:19Z)
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。