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
- Towards a Foundation Model for Brain Age Prediction using coVariance
Neural Networks [102.75954614946258]
時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。
NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。
NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
論文 参考訳(メタデータ) (2024-02-12T14:46:31Z) - 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]
ブレイテンベルク車両を用いた開発型学習エージェントの設計について述べる。
成人の表現型の発生に影響を与える生物学的・認知的発達を考察する。
本稿では,遺伝的アルゴリズムを用いてネットワーク形態形成を実現することを提案する。
論文 参考訳(メタデータ) (2021-03-07T07:22:49Z) - The curious case of developmental BERTology: On sparsity, transfer
learning, generalization and the brain [7.33811357166334]
このエッセイでは,大規模言語モデルのレンズを通して,深層学習と神経科学の交点を探究する。
知覚神経生理学や認知神経生理学が効果的なディープニューラルネットワークアーキテクチャにインスピレーションを与えたのと同じように、ここでは生物学的神経開発がいかに効率的で堅牢な最適化手順を刺激するかを考察する。
論文 参考訳(メタデータ) (2020-07-07T20:16:30Z) - 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。