論文の概要: Eight challenges in developing theory of intelligence
- arxiv url: http://arxiv.org/abs/2306.11232v1
- Date: Tue, 20 Jun 2023 01:45:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 16:02:39.381785
- Title: Eight challenges in developing theory of intelligence
- Title(参考訳): 知能理論の発展における8つの課題
- Authors: Haiping Huang
- Abstract要約: 数学的な美しさのよい理論は、現在のどの観測よりも実用的である。
我々は、この理論のパラダイムに従って知性理論を開発する際の8つの課題に光を当てた。
- 参考スコア(独自算出の注目度): 2.0711789781518752
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A good theory of mathematical beauty is more practical than any current
observation, as new predictions of physical reality can be verified
self-consistently. This belief applies to the current status of understanding
deep neural networks including large language models and even the biological
intelligence. Toy models provide a metaphor of physical reality, allowing
mathematically formulating that reality (i.e., the so-called theory), which can
be updated as more conjectures are justified or refuted. One does not need to
pack all details into a model, but rather, more abstract models are
constructed, as complex systems like brains or deep networks have many sloppy
dimensions but much less stiff dimensions that strongly impact macroscopic
observables. This kind of bottom-up mechanistic modeling is still promising in
the modern era of understanding the natural or artificial intelligence. Here,
we shed light on eight challenges in developing theory of intelligence
following this theoretical paradigm.
- Abstract(参考訳): 数学的美の優れた理論は、物理現実の新しい予測が一貫性を持って検証できるため、現在のどの観測よりも実用的である。
この信念は、大規模な言語モデルや生物学的知性を含むディープニューラルネットワークの理解の現状に当てはまる。
おもちゃモデルは物理的な現実のメタファーを提供し、その現実(いわゆる理論)を数学的に定式化することができる。
脳やディープネットワークのような複雑なシステムには、多くのスロボピー次元があるが、マクロ可観測性に強く影響する剛体次元がはるかに少ないため、すべての詳細をモデルに詰め込む必要はなく、より抽象的なモデルが構築されている。
このようなボトムアップ・メカニスティック・モデリングは、現代でも自然や人工知能を理解する上で有望である。
ここでは、この理論パラダイムに従って知性理論を開発する上での8つの課題について詳述する。
関連論文リスト
- Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。
本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。
本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文 参考訳(メタデータ) (2024-01-05T02:00:27Z) - Quantum-Inspired Neural Network Model of Optical Illusions [0.0]
我々は、ネッカーキューブに対する人間の認識をシミュレートするために、ディープニューラルネットワークモデルを訓練する。
我々の研究結果は、無人航空機の宇宙飛行士やオペレーターの訓練に使用されるビデオゲームや仮想現実システムに応用される。
論文 参考訳(メタデータ) (2023-12-06T12:10:56Z) - Visual cognition in multimodal large language models [13.768104721550321]
本稿では、直観物理学、因果推論、直観心理学の分野における視覚に基づく大規模言語モデルの現状を評価する。
その結果、これらのモデルは、視覚データの処理と解釈において顕著な熟練度を示す一方で、これらの領域における人間の能力に欠けていることが判明した。
論文 参考訳(メタデータ) (2023-11-27T18:58:34Z) - Minding Language Models' (Lack of) Theory of Mind: A Plug-and-Play
Multi-Character Belief Tracker [72.09076317574238]
ToMは,読解における文字の信念状態を調べるためのプラグアンドプレイ方式である。
ToMは、教師付きベースラインと比較して、配電性能が堅牢でありながら、ゼロオーダー設定でのオフ・ザ・シェルフニューラルネットワーク理論の考え方を強化する。
論文 参考訳(メタデータ) (2023-06-01T17:24:35Z) - High-dimensional monitoring and the emergence of realism via multiple
observers [62.997667081978825]
本稿では,弱度と強い非選択性の測定を補間するモデルを提案する。
高次元キューディットの場合、関心の観測可能性に関する完全な情報は、システムが複数のキューディットと相互作用させることによってのみ得られる。
論文 参考訳(メタデータ) (2023-05-13T13:42:19Z) - On the Computation of Meaning, Language Models and Incomprehensible
Horrors [0.0]
我々は、意味の基本理論を、人工知能(AGI)の数学的形式主義と統合する。
我々の発見は、意味と知性の関係と、意味を理解して意図する機械を構築する方法に光を当てた。
論文 参考訳(メタデータ) (2023-04-25T09:41:00Z) - The Lost Art of Mathematical Modelling [0.0]
研究者らは現在,(1)のコストで活動に集中しすぎていると論じている。
この傾向は、任意の生物学的現象が無限に異なる方法でモデル化できることに気付くことで逆転することができる。
論文 参考訳(メタデータ) (2023-01-19T13:16:31Z) - Quantum realism: axiomatization and quantification [77.34726150561087]
我々は、量子リアリズムの公理化(量子論と相容れないリアリズムの概念)を構築する。
提案された公理のほとんどすべてを満たすことを示すエントロピー量化器のクラスを明示的に構成する。
論文 参考訳(メタデータ) (2021-10-10T18:08:42Z) - A Mathematical Approach to Constraining Neural Abstraction and the
Mechanisms Needed to Scale to Higher-Order Cognition [0.0]
人工知能はこの10年で大きな進歩を遂げてきたが、人工知能の最もよく知られている例である人間の脳にはまだ及ばない。
神経の過程があまり知られていないため、脳はほんの少しで跳躍を達成できる。
本稿では, グラフ理論とスペクトルグラフ理論を用いた数学的アプローチを提案する。
論文 参考訳(メタデータ) (2021-08-12T02:13:22Z) - Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。
この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。
これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文 参考訳(メタデータ) (2020-11-30T18:29:25Z) - High--Dimensional Brain in a High-Dimensional World: Blessing of
Dimensionality [68.8204255655161]
高次元データと現実の高次元表現は、現代の人工知能システムと機械学習の応用の固有の特徴である。
次元の帰結」は、高次元において多くの問題が指数関数的に困難になることを示している。
一般的な高次元データセットは、かなり単純な幾何学的性質を示すことが判明した。
論文 参考訳(メタデータ) (2020-01-14T18:40:51Z)
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。