論文の概要: A newborn embodied Turing test for view-invariant object recognition
- arxiv url: http://arxiv.org/abs/2306.05582v1
- Date: Thu, 8 Jun 2023 22:46:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-12 15:15:51.930552
- Title: A newborn embodied Turing test for view-invariant object recognition
- Title（参考訳）: ビュー不変物体認識のための新しいインボディードチューリング試験
- Authors: Denizhan Pak, Donsuk Lee, Samantha M. W. Wood, Justin N. Wood
- Abstract要約: 我々は、新生児の動物や機械を同じ環境で育て、同じタスクでテストできる「新生児体化チューリングテスト」を提案する。
このプラットフォームを構築するために、私たちはまず生まれたばかりのニワトリから制御可能なデータを収集し、次に、ニワトリの飼育条件を模倣する仮想環境で機械が育てられる「デジタルツイン」実験を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent progress in artificial intelligence has renewed interest in building
machines that learn like animals. Almost all of the work comparing learning
across biological and artificial systems comes from studies where animals and
machines received different training data, obscuring whether differences
between animals and machines emerged from differences in learning mechanisms
versus training data. We present an experimental approach-a "newborn embodied
Turing Test"-that allows newborn animals and machines to be raised in the same
environments and tested with the same tasks, permitting direct comparison of
their learning abilities. To make this platform, we first collected
controlled-rearing data from newborn chicks, then performed "digital twin"
experiments in which machines were raised in virtual environments that mimicked
the rearing conditions of the chicks. We found that (1) machines (deep
reinforcement learning agents with intrinsic motivation) can spontaneously
develop visually guided preference behavior, akin to imprinting in newborn
chicks, and (2) machines are still far from newborn-level performance on object
recognition tasks. Almost all of the chicks developed view-invariant object
recognition, whereas the machines tended to develop view-dependent recognition.
The learning outcomes were also far more constrained in the chicks versus
machines. Ultimately, we anticipate that this approach will help researchers
develop embodied AI systems that learn like newborn animals.
- Abstract（参考訳）: 最近の人工知能の進歩は、動物のように学習する機械の開発に再び関心を寄せている。
生物と人工システムの学習を比較する研究のほとんどが、動物と機械が異なるトレーニングデータを受け取り、学習メカニズムとトレーニングデータの違いから動物と機械の違いが生じたかどうかを判断する研究から来ている。
そこで本研究では, 新生動物と機械を同じ環境下で育て, 同じタスクでテストし, 学習能力を直接比較できる実験的アプローチである「新生体型チューリングテスト」を提案する。
このプラットフォームを作るために、我々はまず生まれたばかりのニワトリからコントロール・リアーニングデータを収集し、その後、ニワトリの飼育条件を模倣した仮想環境でマシンを育てる「デジタルツイン」実験を行った。
その結果,(1) 機械(本質的な動機を持つ深層強化学習エージェント) は, 生まれながらのニワトリのインプリンティングに類似した視覚的嗜好行動が自然に発達し, (2) 物体認識タスクにおける新生児レベルのパフォーマンスには及ばないことがわかった。
ニワトリのほとんど全員がビュー不変のオブジェクト認識を開発し、一方、マシンはビュー依存の認識を開発する傾向にあった。
ひよこ対機械の学習結果もはるかに制限されていた。
最終的には、このアプローチが、新生児のように学習する具体的AIシステムの開発に役立つことを期待しています。
関連論文リスト
- Are Vision Transformers More Data Hungry Than Newborn Visual Systems? [0.0]
ビジョントランス (ViT) は、多くのコンピュータビジョンベンチマークにおいて最高性能のモデルである。
ViTは脳よりも飢えているデータであると考えられており、ViTは同様のレベルのパフォーマンスに到達するために、より多くのトレーニングデータを必要としている。
我々は、ViTと新生ニワトリの学習能力を直接比較し、ViTと新生ニワトリの並列制御飼育実験を行った。
論文 参考訳（メタデータ） (2023-12-05T15:53:24Z) - Incremental procedural and sensorimotor learning in cognitive humanoid
robots [52.77024349608834]
本研究は,手順を段階的に学習する認知エージェントを提案する。
各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。
結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
論文 参考訳（メタデータ） (2023-04-30T22:51:31Z) - Learning body models: from humans to humanoids [2.855485723554975]
人間と動物は、複数の感覚のモダリティからの情報を組み合わせて、複雑な体を制御し、成長、失敗、ツールの使用に適応する。
鍵となる基礎は、エージェント(人間、動物、ロボット)が開発してきた身体の内部表現である。
脳内での体モデルの操作のメカニズムは、ほとんど不明であり、出生後の経験からどのように構築されているかは、あまり分かっていない。
論文 参考訳（メタデータ） (2022-11-06T07:30:01Z) - The Effects of Learning in Morphologically Evolving Robot Systems [10.592277756185046]
モジュール型ロボットは、組換えと突然変異によって両親の身体を継承する子孫を生成できるシステムを構築した。
第1のアプローチは、ロボットの子供の脳が親から受け継がれていることを意味する進化のみを含む。
第2のアプローチは進化と学習であり、これは子供の脳も継承されることを意味するが、さらに学習アルゴリズムによって開発される。
論文 参考訳（メタデータ） (2021-07-17T14:38:26Z) - Modeling Object Recognition in Newborn Chicks using Deep Neural Networks [0.0]
本研究では, 教師なし学習アルゴリズムを用いて, 新生ニワトリの視差不変物体認識行動を予測できることを示す。
制御領域の研究と画像計算可能なDNNモデルとのリンクは、新生児における物体認識の起源と計算的基礎を研究するための新たな実験の道を開くことを論じる。
論文 参考訳（メタデータ） (2021-06-14T06:24:49Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - The Next Big Thing(s) in Unsupervised Machine Learning: Five Lessons
from Infant Learning [2.9005223064604078]
我々は、幼児認知の発達科学が、次世代の教師なし学習アプローチの鍵を握るかもしれないと主張している。
ヒトの幼児の学習は、人工的な教師なし学習と最も平行な生物学的な学習であり、幼児もまた、未学習のデータから有用な表現を学ばなければならない。
幼児の学習の質と速さを実現する5つの重要な要因を特定し、これらがすでに機械学習で活用されている範囲を評価し、これらの要因のさらなる採用が、教師なし学習におけるこれまで見られなかったパフォーマンスレベルをいかに引き起こすかを提案する。
論文 参考訳（メタデータ） (2020-09-17T18:47:06Z) - RoboTHOR: An Open Simulation-to-Real Embodied AI Platform [56.50243383294621]
インタラクティブで具体化された視覚AIの研究を民主化するためにRoboTHORを導入する。
シミュレーションで訓練されたモデルの性能は,シミュレーションと慎重に構築された物理アナログの両方で試験される場合,大きな差があることが示される。
論文 参考訳（メタデータ） (2020-04-14T20:52:49Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳（メタデータ） (2020-03-23T14:55:00Z) - Continuous Emotion Recognition via Deep Convolutional Autoencoder and
Support Vector Regressor [70.2226417364135]
マシンはユーザの感情状態を高い精度で認識できることが不可欠である。
ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。
表情認識に基づく連続的感情認識のための新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-01-31T17:47:16Z)
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。