Fugu-MT 論文翻訳(概要): On Physical Origins of Learning

論文の概要: On Physical Origins of Learning

arxiv url: http://arxiv.org/abs/2310.02375v1
Date: Thu, 27 Jul 2023 19:45:19 GMT
ステータス: 処理完了
システム内更新日: 2023-10-23 04:57:58.490834
Title: On Physical Origins of Learning
Title（参考訳）: 学習の物理的起源について
Authors: Alex Ushveridze
Abstract要約: 我々は,非生物学的・非進化的起源を持つ学習を提案する。学習の重要な特性は、単純な物理モデルで観察、説明、正確に再現できることが判明した。
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: The quest to comprehend the origins of intelligence raises intriguing questions about the evolution of learning abilities in natural systems. Why do living organisms possess an inherent drive to acquire knowledge of the unknown? Is this motivation solely explicable through natural selection, favoring systems capable of learning due to their increased chances of survival? Or do there exist additional, more rapid mechanisms that offer immediate rewards to systems entering the "learning mode" in the "right ways"? This article explores the latter possibility and endeavors to unravel the possible nature of these ways. We propose that learning may have non-biological and non-evolutionary origin. It turns out that key properties of learning can be observed, explained, and accurately reproduced within simple physical models that describe energy accumulation mechanisms in open resonant-type systems with dissipation.
Abstract（参考訳）: 知性の起源を理解するための探求は、自然システムにおける学習能力の進化に関する興味深い疑問を提起する。なぜ生物は未知の知識を得る原動力を持っているのか? このモチベーションは自然選択を通じてのみ説明可能か、生存の可能性を高めるために学習できるシステムを好むか? あるいは、"学習モード"に入るシステムに対して、"正しい方法"で即時報酬を提供する、より迅速なメカニズムが存在するか? この記事では、これらの方法の考えられる性質を解明するために、後者の可能性と努力を探求します。学習は非生物的・非進化的起源を持つ可能性がある。学習の重要な特性は、放散を伴う開放共振型系のエネルギー蓄積機構を記述する単純な物理モデルの中で観察、説明、正確に再現できることが判明した。

関連論文リスト

Automated Explanation Selection for Scientific Discovery [0.0]
本稿では,機械学習と自動推論を組み合わせた科学的発見のサイクルを提案する。本稿では,社会学と認知科学の知見に基づく説明選択問題の分類について述べる。
論文参考訳（メタデータ） (2024-07-24T17:41:32Z)
Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発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） (2024-03-04T06:25:26Z)
Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文参考訳（メタデータ） (2024-02-04T21:43:37Z)
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)
A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文参考訳（メタデータ） (2023-10-14T23:28:48Z)
What are the mechanisms underlying metacognitive learning? [5.787117733071415]
我々は、この能力は試行錯誤(メタ認知強化学習)から学ぶと仮定する。ここでは、基礎となる学習メカニズムのモデルを体系化し、より洗練された追加メカニズムで強化する。以上の結果から,認知戦略の空間における勾配上昇は,観察された定性的現象のほとんどを説明することができることが示唆された。
論文参考訳（メタデータ） (2023-02-09T18:49:10Z)
Programming molecular systems to emulate a learning spiking neuron [1.2707050104493216]
ヘビアン理論は、脳のニューロンが刺激にどのように適応し、学習を可能にするかを説明する。本稿では, 分子系が, プロト・インテリジェントな振る舞いを示すためにどのように設計できるかを考察する。任意に多くの入力チャネルにまたがる自律的なヘビアン学習を示す最初の化学反応ネットワークを提案する。
論文参考訳（メタデータ） (2022-05-09T09:21:40Z)
Properties from Mechanisms: An Equivariance Perspective on Identifiable Representation Learning [79.4957965474334]
教師なし表現学習の主な目標は、データ生成プロセスが潜在プロパティを回復するために「反転」することである。この論文は「進化を支配するメカニズムの知識を活用して潜伏特性を識別するのか?」と問う。我々は、可能なメカニズムの集合に関する知識が異なるため、不特定性の原因の完全な特徴づけを提供する。
論文参考訳（メタデータ） (2021-10-29T14:04:08Z)
Evolutionary Self-Replication as a Mechanism for Producing Artificial Intelligence [0.0]
自己複製は、現代の学習環境における知的行動の出現のメカニズムとして研究されている。アタリとロボットの学習環境は自然選択の観点から再定義されている。
論文参考訳（メタデータ） (2021-09-16T15:40:20Z)
Applying Deutsch's concept of good explanations to artificial intelligence and neuroscience -- an initial exploration [0.0]
深層学習におけるドイツの難しい原則と、より形式化された原則とどのように関連しているかを調査します。私たちは、人間の脳を見ることで、知能でどのように難しい説明が果たす役割を見ます。
論文参考訳（メタデータ） (2020-12-16T23:23:22Z)
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)

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。