論文の概要: The Acquisition of Physical Knowledge in Generative Neural Networks

• arxiv url: http://arxiv.org/abs/2310.19943v1
• Date: Mon, 30 Oct 2023 18:58:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 18:05:39.475408
• Title: The Acquisition of Physical Knowledge in Generative Neural Networks
• Title（参考訳）: 生成ニューラルネットワークにおける物理知識の獲得
• Authors: Luca M. Schulze Buschoff, Eric Schulz, Marcel Binz
• Abstract要約: 本研究では, 深層生成ニューラルネットワークの学習軌跡を, 身体的理解をテストベッドとして, 子どもの発達軌跡と比較する。 我々のモデルは、多くの物理的過程を正確に予測できるが、両方の仮説の下での学習軌跡は、子供の発達軌跡に従わない。
• 参考スコア（独自算出の注目度）: 9.799950649945597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As children grow older, they develop an intuitive understanding of the physical processes around them. Their physical understanding develops in stages, moving along developmental trajectories which have been mapped out extensively in previous empirical research. Here, we investigate how the learning trajectories of deep generative neural networks compare to children's developmental trajectories using physical understanding as a testbed. We outline an approach that allows us to examine two distinct hypotheses of human development - stochastic optimization and complexity increase. We find that while our models are able to accurately predict a number of physical processes, their learning trajectories under both hypotheses do not follow the developmental trajectories of children.
• Abstract（参考訳）: 子どもが年をとると、周囲の物理的な過程を直感的に理解するようになる。 彼らの物理的理解は段階的に発展し、以前の経験的研究で広範囲にマッピングされた発達軌道に沿って移動する。 本稿では, 深層生成ニューラルネットワークの学習軌跡を, 身体的理解をテストベッドとして, 子どもの発達軌跡と比較する。 我々は,人間の発達の2つの異なる仮説(確率的最適化と複雑性の増加)を考察できるアプローチについて概説する。 我々のモデルは、多くの物理過程を正確に予測することができるが、両方の仮説の下での学習軌跡は、子供の発達的軌跡に従わない。

関連論文リスト

• Contrastive Learning with Adaptive Neighborhoods for Brain Age Prediction on 3D Stiffness Maps [8.14243193774551]
  そこで本研究では,サンプルの局所的な領域に着目して,トレーニングプロセス中に動的に適応する新たなコントラスト損失を提案する。 この研究は、脳の年齢を予測するために、コンパイルされた剛性マップを用いて、脳の機械的特性に対する自己教師あり学習の最初の応用を示す。
  論文  参考訳（メタデータ） (2024-08-01T12:58:19Z)
• Neural Lineage [56.34149480207817]
  本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。 実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。 精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
  論文  参考訳（メタデータ） (2024-06-17T01:11:53Z)
• 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)
• Towards Self-Assembling Artificial Neural Networks through Neural Developmental Programs [10.524752369156339]
  生物学的神経系は、現在の人工ニューラルネットワークと根本的に異なる方法で生成される。 対照的に、生物学的神経系は動的自己組織化過程を通じて成長する。
  論文  参考訳（メタデータ） (2023-07-17T01:58:52Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Stochastic Gradient Descent Captures How Children Learn About Physics [0.0]
  本研究では,子どもの発達軌跡を人工システムの学習軌跡と比較する。 モデルの学習軌跡は, 子どもの発達軌跡を捉え, 開発を最適化として支援することを見出した。
  論文  参考訳（メタデータ） (2022-09-25T22:56:14Z)
• A Few-shot Learning Graph Multi-Trajectory Evolution Network for Forecasting Multimodal Baby Connectivity Development from a Baseline Timepoint [53.73316520733503]
  本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。 これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
  論文  参考訳（メタデータ） (2021-10-06T08:26:57Z)
• Continual Developmental Neurosimulation Using Embodied Computational Agents [0.0]
  神経系の形態形成, 発達学習, 可塑性の関連現象のブリッジングにおける発達軌跡の役割を考察することができる。 我々のアプローチは発達的実施と密に統合されており、発達的ブレイテンベルク車両(dBV)と呼ばれる種類のエージェントを用いて実装することができる。 dBVは、体、センサー、エフェクター、神経システムなど、エージェントベースのシステムへと変貌する、未定義の構造の集合として、自らの生活を始める。
  論文  参考訳（メタデータ） (2021-03-07T07:22:49Z)
• 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)
• The large learning rate phase of deep learning: the catapult mechanism [50.23041928811575]
  問題解決可能なトレーニングダイナミクスを備えたニューラルネットワークのクラスを提示する。 現実的なディープラーニング環境において,モデルの予測とトレーニングのダイナミクスとの間には,よい一致がある。 我々の結果は、異なる学習率でトレーニングされたモデルの特性に光を当てたと信じています。
  論文  参考訳（メタデータ） (2020-03-04T17:52:48Z)

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。

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。