Fugu-MT 論文翻訳(概要): Machine Learning Meets Mental Training -- A Proof of Concept Applied to Memory Sports

論文の概要: Machine Learning Meets Mental Training -- A Proof of Concept Applied to Memory Sports

arxiv url: http://arxiv.org/abs/2307.08712v1
Date: Sat, 15 Jul 2023 14:36:29 GMT
ステータス: 処理完了
システム内更新日: 2023-07-19 17:57:30.035350
Title: Machine Learning Meets Mental Training -- A Proof of Concept Applied to Memory Sports
Title（参考訳）: 機械学習はメンタルトレーニングを満たす -- メモリスポーツに応用される概念実証
Authors: Emanuele Regnani
Abstract要約: 本研究は,これら2つの分野を組み合わせ,記憶の芸術である特定の形態の精神訓練に機械学習の実践的実装を提示することを目的としており,その競争的バージョンである「記憶スポーツ」に取り入れられている。一方、両領域に対する意識を高めようと努力し、他方では、この混成分野の研究を、究極的には、過小評価されたこのスポーツの発展を促進するために奨励しようとしている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work aims to combine these two fields together by presenting a practical implementation of machine learning to the particular form of mental training that is the art of memory, taken in its competitive version called "Memory Sports". Such a fusion, on the one hand, strives to raise awareness about both realms, while on the other it seeks to encourage research in this mixed field as a way to, ultimately, drive forward the development of this seemingly underestimated sport.
Abstract（参考訳）: この研究は、記憶の芸術である特定の形態の精神訓練に機械学習の実践的な実装を提示し、これらの2つの分野を組み合わせることを目的としている。このような融合は、両方の領域に対する意識を高めようとしている一方で、最終的にはこの過小評価されたスポーツの発展を促進する手段として、この混合分野の研究を奨励しようとしている。

関連論文リスト

Stimulate the Potential of Robots via Competition [60.69068909395984]
本稿では,個々のロボットが競技者から知識を得るのに役立つ,競争力のある学習フレームワークを提案する。具体的には、競合相手間の競合情報を、有利な行動を学ぶための補助信号として導入する。さらに,Multiagent-Race環境を構築し,競争環境において訓練されたロボットが,単一ロボット環境でのSoTAアルゴリズムで訓練されたロボットよりも優れていることを示す。
論文参考訳（メタデータ） (2024-03-15T17:21:39Z)
Breaking On-device Training Memory Wall: A Systematic Survey [6.130778185929979]
デバイス上でのトレーニングは、マシンラーニングに対する一般的なアプローチとなり、モデルを直接モバイルやエッジデバイス上でトレーニングすることが可能になった。この領域における大きな課題は、これらのデバイスで利用可能な限られたメモリであり、トレーニング可能なモデルのサイズと複雑さを著しく制限することができる。我々は、デバイス上でのトレーニングメモリウォールを壊すための現在の最先端技術を探究し、リソース制約のあるデバイスでより大規模で複雑なモデルをトレーニングできる方法に焦点を当てる。
論文参考訳（メタデータ） (2023-06-17T16:17:48Z)
Representational Tenets for Memory Athletics [0.0]
本稿では,メモリコンペティションへの準備と競争に使用される手法を含む,世界クラスのメモリコンペティションの現状について述べる。次に,意識のシミュレート・シチュート・構造的コヒーレント・クァリア(S3Q)理論のレンズを用いて,報告された経験を探索する。
論文参考訳（メタデータ） (2023-02-22T19:40:59Z)
Memory-Augmented Theory of Mind Network [59.9781556714202]
社会的推論は、心の理論(ToM)の能力を必要とする。 ToMに対する最近の機械学習アプローチは、観察者が過去を読み、他のエージェントの振る舞いを提示するように訓練できることを実証している。我々は,新たなニューラルメモリ機構を組み込んで符号化し,階層的な注意を払って他者に関する情報を選択的に検索することで,課題に対処する。この結果、ToMMYは心的プロセスについての仮定をほとんど行わずに理性を学ぶマインドモデルである。
論文参考訳（メタデータ） (2023-01-17T14:48:58Z)
A bio-inspired implementation of a sparse-learning spike-based hippocampus memory model [0.0]
本研究では,海馬に基づくバイオインスパイアされた新しい記憶モデルを提案する。記憶を覚えたり、キューから思い出したり、同じキューで他の人を学ぼうとする時の記憶を忘れたりできる。この研究は、完全に機能するバイオインスパイアされたスパイクベースの海馬記憶モデルの最初のハードウェア実装を示す。
論文参考訳（メタデータ） (2022-06-10T07:48:29Z)
Federated Learning as a Mean-Field Game [6.370905925442655]
我々は,フェデレーション学習と平均場ゲームとのつながりを確立する。差分ゲームとしてフェデレーション学習を提示し、このゲームの性質について議論する。これら2つの異なる分野の研究者が、大規模な分散およびプライバシ保護学習アルゴリズムの基本的問題に取り組むために、連合学習に対するこの新たな視点を結び付けることを願っている。
論文参考訳（メタデータ） (2021-07-08T11:31:51Z)
From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
論文参考訳（メタデータ） (2021-05-25T20:17:10Z)
Low-level cognitive skill transfer between two individuals' minds via computer game-based framework [0.0]
ゲームヒーローは、ゲームセッション中に無意識にゲームヒーローを介して意識不明の行動を公開する。ゲームヒーローが公開する認知データは記録され、ベイジアンネットワークのような人工知能技術によってモデル化される。また、認知刺激をゲームエージェントとして使用して学習者を訓練する。
論文参考訳（メタデータ） (2021-03-03T01:52:16Z)
Deep Latent Competition: Learning to Race Using Visual Control Policies in Latent Space [63.57289340402389]
Deep Latent Competition (DLC) は、想像力の自己プレイを通じて、競合する視覚制御ポリシーを学ぶ強化学習アルゴリズムである。想像すると、セルフプレイは現実世界でコストのかかるサンプル生成を削減し、潜在表現は観測次元で計画を優雅にスケールできる。
論文参考訳（メタデータ） (2021-02-19T09:00:29Z)
Learning Agile Locomotion via Adversarial Training [59.03007947334165]
本稿では,四足歩行ロボット(主人公)が他のロボット(敵)を追いかけるのを学習し,後者が逃げることを学習するマルチエージェント学習システムを提案する。この敵対的なトレーニングプロセスは、アジャイルの振る舞いを促進するだけでなく、退屈な環境設計の努力を効果的に軽減します。 1つの敵のみを使用した以前の作品とは対照的に、異なる逃走戦略を専門とする敵のアンサンブルを訓練することは、主人公がアジリティを習得するために不可欠である。
論文参考訳（メタデータ） (2020-08-03T01:20:37Z)
Self-Attentive Associative Memory [69.40038844695917]
我々は、個々の体験(記憶)とその発生する関係(関連記憶)の記憶を分離することを提案する。機械学習タスクの多様性において,提案した2メモリモデルと競合する結果が得られる。
論文参考訳（メタデータ） (2020-02-10T03:27:48Z)

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。