Fugu-MT 論文翻訳(概要): Rethinking the Physical Symbol Systems Hypothesis

論文の概要: Rethinking the Physical Symbol Systems Hypothesis

arxiv url: http://arxiv.org/abs/2306.13150v1
Date: Thu, 22 Jun 2023 18:15:58 GMT
ステータス: 処理完了
システム内更新日: 2023-06-26 14:24:20.853378
Title: Rethinking the Physical Symbol Systems Hypothesis
Title（参考訳）: 物理記号系仮説の再検討
Authors: Paul S. Rosenbloom
Abstract要約: ニューラルネットワークと認知アーキテクチャの研究による最近の証拠は、物理記号系仮説を弱めている。計算記号の性質を再考し、2つの新しい仮説を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: It is now more than a half-century since the Physical Symbol Systems Hypothesis (PSSH) was first articulated as an empirical hypothesis. More recent evidence from work with neural networks and cognitive architectures has weakened it, but it has not yet been replaced in any satisfactory manner. Based on a rethinking of the nature of computational symbols -- as atoms or placeholders -- and thus also of the systems in which they participate, a hybrid approach is introduced that responds to these challenges while also helping to bridge the gap between symbolic and neural approaches, resulting in two new hypotheses, one that is to replace the PSSH and other focused more directly on cognitive architectures.
Abstract（参考訳）: 物理記号系仮説 (PSSH) が経験的仮説として初めて記述されてから半世紀以上になる。ニューラルネットワークや認知アーキテクチャの研究による近年の証拠は、それを弱めているが、満足のいく方法では置き換えられていない。原子やプレースホルダとしての計算記号の性質を再考し、それらが参加するシステムについても考え直し、これらの課題に対応すると同時にシンボリックアプローチとニューラルアプローチのギャップを埋めるのに役立つハイブリッドアプローチが導入された。

関連論文リスト

Mapping the Neuro-Symbolic AI Landscape by Architectures: A Handbook on Augmenting Deep Learning Through Symbolic Reasoning [11.418327158608664]
統計的強度を持つ記号技法は、人工知能の長年の問題である。ニューロシンボリックAIは、この統合に焦点を当てている。シンボリックテクニックの最初のマッピングを,そのアーキテクチャに基づいたフレームワークのファミリーに提示する。
論文参考訳（メタデータ） (2024-10-29T14:35:59Z)
Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
しきい値単位の動的代替として人工内蔵ニューロン(AKOrN)を導入する。このアイデアは、幅広いタスクにまたがってパフォーマンス改善をもたらすことを示しています。これらの経験的結果は、神経表現の最も基本的なレベルにおいて、私たちの仮定の重要性を示していると信じている。
論文参考訳（メタデータ） (2024-10-17T17:47:54Z)
Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
Softened Symbol Grounding for Neuro-symbolic Systems [24.587628032516033]
本稿では,2つの世界間のギャップを埋める,新しい,軟化されたシンボル接地プロセスを提案し,効果的かつ効率的なニューロシンボリック学習の枠組みを提示する。本フレームワークは,(1)ボルツマン分布としてシンボル解状態のモデル化を特徴とし,高コストな状態探索を回避し,ネットワークトレーニングとシンボル推論の相互に有益な相互作用を促進する。 3つの代表的なニューロシンボリック・ラーニング・タスクを用いた実験により,その優れたシンボルグラウンドリング能力により,我々のフレームワークは,既存の提案のフロンティアを越えた問題解決に成功していることが示された。
論文参考訳（メタデータ） (2024-03-01T06:57:09Z)
Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
論文参考訳（メタデータ） (2024-02-21T15:51:01Z)
Interpretable Neural PDE Solvers using Symbolic Frameworks [0.0]
偏微分方程式 (Partial differential equation, PDE) は、熱や音から量子システムへの現象をモデル化する。近年のディープラーニングの進歩は、強力なニューラルソルバの開発に繋がった。しかし、その解釈可能性には大きな課題が残っている。
論文参考訳（メタデータ） (2023-10-31T13:56:25Z)
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)
Spike-based local synaptic plasticity: A survey of computational models and neuromorphic circuits [1.8464222520424338]
シナプス可塑性のモデル化における歴史的,ボトムアップ的,トップダウン的なアプローチを概観する。スパイクベース学習ルールの低レイテンシおよび低消費電力ハードウェア実装をサポートする計算プリミティブを同定する。
論文参考訳（メタデータ） (2022-09-30T15:35:04Z)
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)
Object-based attention for spatio-temporal reasoning: Outperforming neuro-symbolic models with flexible distributed architectures [15.946511512356878]
適切な帰納的バイアスを持つ完全学習型ニューラルネットワークは,従来のニューラルシンボリックモデルよりもかなり優れた性能を示す。我々のモデルは、自己意識と学習された「ソフト」オブジェクト中心表現の両方を批判的に利用します。
論文参考訳（メタデータ） (2020-12-15T18:57:40Z)
Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。