論文の概要: Consciousness as a logically consistent and prognostic model of reality
- arxiv url: http://arxiv.org/abs/2401.00005v1
- Date: Sun, 10 Dec 2023 14:07:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 12:41:04.286814
- Title: Consciousness as a logically consistent and prognostic model of reality
- Title(参考訳): 現実の論理的一貫した予後モデルとしての意識
- Authors: Evgenii Vityaev
- Abstract要約: 因果関係は、周期的相互予測可能な性質の固定点を生成することができる。
脳は外界の因果関係を論理的に一貫した現実の予後モデルという形で反映するかもしれない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The work demonstrates that brain might reflect the external world causal
relationships in the form of a logically consistent and prognostic model of
reality, which shows up as consciousness. The paper analyses and solves the
problem of statistical ambiguity and provides a formal model of causal
relationships as probabilistic maximally specific rules. We suppose that brain
makes all possible inferences from causal relationships. We prove that the
suggested formal model has a property of an unambiguous inference: from
consistent premises we infer a consistent conclusion. It enables a set of all
inferences to form a consistent model of the perceived world. Causal
relationships may create fixed points of cyclic inter-predictable properties.
We consider the "natural" classification introduced by John St. Mill and
demonstrate that a variety of fixed points of the objects' attributes forms a
"natural" classification of the external world. Then we consider notions of
"natural" categories and causal models of categories, introduced by Eleanor
Rosch and Bob Rehder and demonstrate that fixed points of causal relationships
between objects attributes, which we perceive, formalize these notions. If the
"natural" classification describes the objects of the external world, and
"natural" concepts the perception of these objects, then the theory of
integrated information, introduced by G. Tononi, describes the information
processes of the brain for "natural" concepts formation that reflects the
"natural" classification. We argue that integrated information provides high
accuracy of the objects identification. A computer-based experiment is provided
that illustrates fixed points formation for coded digits.
- Abstract(参考訳): この研究は、脳が外界の因果関係を論理的に一貫性があり、予測可能な現実のモデルとして反映していることを示している。
本論文は,統計的曖昧性の問題を解析,解決し,確率的最大固有規則として因果関係の形式モデルを提供する。
脳は因果関係から可能なすべての推論を行う。
提案された形式モデルがあいまいな推論の性質を持つことを証明し、一貫した前提から一貫した結論を導き出す。
これは全ての推論の集合が知覚された世界の一貫したモデルを形成することを可能にする。
因果関係は周期的予測可能特性の固定点を生成する。
ジョン・セントミルによって導入された「自然」分類を考察し、対象の属性の様々な不動点が外界の「自然」分類を形成することを実証する。
次に、eleanor rosch と bob rehder によって導入された「自然」圏の概念と圏の因果モデルを検討し、これらの概念を形式化する対象属性間の因果関係の不動点を実証する。
もし「自然」分類が外界の物体、そして「自然」概念がこれらの物体の知覚を記述しているなら、G.トノニによって導入された統合情報理論は「自然」分類を反映した「自然」概念形成のための脳の情報プロセスを記述する。
我々は、統合情報によって物体の識別精度が高いことを主張する。
符号化された桁の固定点形成を示すコンピュータベースの実験が提供される。
関連論文リスト
- Inference of Abstraction for a Unified Account of Reasoning and Learning [0.0]
我々は、推論と学習の統一的な説明のために、単純な確率的推論の理論を与える。
我々は、形式論理におけるその満足度の観点から、データがどのように象徴的な知識を引き起こすかをモデル化する。
論文 参考訳(メタデータ) (2024-02-14T09:43:35Z) - Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。
本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。
本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文 参考訳(メタデータ) (2024-01-05T02:00:27Z) - Intrinsic Physical Concepts Discovery with Object-Centric Predictive
Models [86.25460882547581]
PHYsical Concepts Inference NEtwork (PHYCINE) は、異なる抽象レベルの物理概念を監督なしで推論するシステムである。
物理概念変数を含むオブジェクト表現は因果推論タスクの性能向上に有効であることを示す。
論文 参考訳(メタデータ) (2023-03-03T11:52:21Z) - Scientific Explanation and Natural Language: A Unified
Epistemological-Linguistic Perspective for Explainable AI [2.7920304852537536]
本稿では,理論と実践のギャップを科学的説明の概念に埋めることを目的として,科学的領域に焦点を当てた。
定量的および定性的手法の混合により、本研究では以下の主要な結論を導出することができる。
論文 参考訳(メタデータ) (2022-05-03T22:31:42Z) - Observing Interventions: A logic for thinking about experiments [62.997667081978825]
本稿では,実験から学ぶ論理への第一歩について述べる。
我々のアプローチにとって重要なことは、介入の概念が(現実的または仮説的な)実験の形式的表現として使用できるという考えである。
提案された全ての論理系に対して、健全で完全な公理化を提供する。
論文 参考訳(メタデータ) (2021-11-25T09:26:45Z) - Systematic Evaluation of Causal Discovery in Visual Model Based
Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。
因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。
本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文 参考訳(メタデータ) (2021-07-02T05:44:56Z) - Causal World Models by Unsupervised Deconfounding of Physical Dynamics [20.447000858907646]
世界の精神モデルで内部を想像する能力は、人間の認知にとって極めて重要である。
本稿では,相互関係の教師なしモデリングを可能にするCausal World Models(CWMs)を提案する。
強化学習タスクの複雑性サンプルの削減と、反実物的推論の改善を示します。
論文 参考訳(メタデータ) (2020-12-28T13:44:36Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳(メタデータ) (2020-11-04T10:25:13Z) - Hierarchical Relational Inference [80.00374471991246]
本稿では,物体を局所的に独立に振る舞うが,よりグローバルに一括して振る舞う部分の階層としてモデル化する物理推論手法を提案する。
従来の手法とは異なり,本手法は生画像から直接教師なしの方法で学習する。
複数のレベルの抽象化を明確に区別し、合成ビデオと実世界のビデオのモデリングにおいて、強力なベースラインを超えて改善する。
論文 参考訳(メタデータ) (2020-10-07T20:19:10Z) - A Unified Scientific Basis for Inference [0.0]
この議論の自然な拡張は、量子力学の形式論の本質的な部分を導出できる概念的基礎を与える。
ベルの不等式に関する疑問は、各観測者に対する条件原理を用いて解決される。
論文 参考訳(メタデータ) (2012-06-22T07:34:08Z)
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。