論文の概要: A Brain-inspired Computational Model for Human-like Concept Learning

• arxiv url: http://arxiv.org/abs/2401.06471v1
• Date: Fri, 12 Jan 2024 09:32:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 19:57:47.864879
• Title: A Brain-inspired Computational Model for Human-like Concept Learning
• Title（参考訳）: 脳にインスパイアされた人間のコンセプト学習のための計算モデル
• Authors: Yuwei Wang and Yi Zeng
• Abstract要約: この研究は、スパイクニューラルネットワークに基づく概念学習のための人間のような計算モデルを開発する。 多様な情報源によって引き起こされる課題と2つの概念表現の非バランスな次元性に効果的に対処することにより、この研究は人間のような概念表現を達成することに成功した。
• 参考スコア（独自算出の注目度）: 12.737696613208632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concept learning is a fundamental aspect of human cognition and plays a critical role in mental processes such as categorization, reasoning, memory, and decision-making. Researchers across various disciplines have shown consistent interest in the process of concept acquisition in individuals. To elucidate the mechanisms involved in human concept learning, this study examines the findings from computational neuroscience and cognitive psychology. These findings indicate that the brain's representation of concepts relies on two essential components: multisensory representation and text-derived representation. These two types of representations are coordinated by a semantic control system, ultimately leading to the acquisition of concepts. Drawing inspiration from this mechanism, the study develops a human-like computational model for concept learning based on spiking neural networks. By effectively addressing the challenges posed by diverse sources and imbalanced dimensionality of the two forms of concept representations, the study successfully attains human-like concept representations. Tests involving similar concepts demonstrate that our model, which mimics the way humans learn concepts, yields representations that closely align with human cognition.
• Abstract（参考訳）: 概念学習は人間の認知の基本的な側面であり、分類、推論、記憶、意思決定といった精神過程において重要な役割を果たす。 様々な分野の研究者は、個人における概念獲得の過程に一貫した関心を示している。 本研究では,人間の概念学習に関わるメカニズムを解明するために,計算神経科学と認知心理学の知見を検討する。 これらの結果は、脳の概念表現が、多感覚表現とテキスト由来表現という2つの重要な要素に依存していることを示している。 これら2種類の表現は意味制御システムによってコーディネートされ、最終的には概念の獲得につながる。 このメカニズムからインスピレーションを得て、スパイクニューラルネットワークに基づく概念学習のための人間に似た計算モデルを開発した。 2種類の概念表現の多様な情報源と不均衡な次元によって生じる課題を効果的に解決することで、研究は人間のような概念表現をうまく達成した。 同様の概念を含むテストは、人間が概念を学習する方法を模倣する我々のモデルが、人間の認知と密に一致した表現をもたらすことを示す。

関連論文リスト

• Vector-based Representation is the Key: A Study on Disentanglement and Compositional Generalization [77.57425909520167]
  良質な概念認識と斬新な概念構成を両立させることが可能であることを示す。 本研究では,スカラーベース・アンタングル化作業のベクトルベース化を図り,両機能を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:05:15Z)
• 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)
• Rejecting Cognitivism: Computational Phenomenology for Deep Learning [5.070542698701158]
  本稿では,新しい手法である計算現象学に基づくディープラーニングのための非表現主義的フレームワークを提案する。 我々は、人工知能が外部エンティティの表現を符号化する深層学習の現代の認知論的解釈を拒絶する。
  論文  参考訳（メタデータ） (2023-02-16T20:05:06Z)
• Formal Conceptual Views in Neural Networks [0.0]
  本稿では,ニューラルネットワークの概念的視点,特に多値・記号的視点の2つの概念を紹介する。 我々は、ImageNetとFruit-360データセットの異なる実験を通して、新しいビューの概念的表現性をテストする。 本研究では,ニューロンからの人間の理解可能なルールの帰納的学習に概念的視点が適用可能であることを実証する。
  論文  参考訳（メタデータ） (2022-09-27T16:38:24Z)
• Human-Centered Concept Explanations for Neural Networks [47.71169918421306]
  概念活性化ベクトル(Concept Activation Vectors, CAV)のクラスを含む概念的説明を紹介する。 次に、自動的に概念を抽出するアプローチと、それらの注意事項に対処するアプローチについて議論する。 最後に、このような概念に基づく説明が、合成設定や実世界の応用において有用であることを示すケーススタディについて論じる。
  論文  参考訳（メタデータ） (2022-02-25T01:27:31Z)
• Cognitive science as a source of forward and inverse models of human decisions for robotics and control [13.502912109138249]
  我々は、認知科学が人間の意思決定の前進モデルをどのように提供できるかを考察する。 我々はブラックボックスと理論駆動モデリングを合成するアプローチを強調した。 我々は,認知科学と制御研究の共通点にあるフレームワーク,方法論,行動可能な洞察の範囲を,読者に垣間見ることを目的としている。
  論文  参考訳（メタデータ） (2021-09-01T00:28:28Z)
• Cause and Effect: Concept-based Explanation of Neural Networks [3.883460584034766]
  ニューロンの内部表現や概念に対するニューロンの活性化を調べることで、ニューラルネットワークの解釈可能性の一歩を踏み出します。 概念(またはその否定)とタスククラスの間の因果関係の存在を確認するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-14T18:54:17Z)
• Formalising Concepts as Grounded Abstractions [68.24080871981869]
  このレポートは、表現学習が生データから概念を誘導する方法を示しています。 このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
  論文  参考訳（メタデータ） (2021-01-13T15:22:01Z)
• The Evolution of Concept-Acquisition based on Developmental Psychology [4.416484585765028]
  知識に基づく人工知能システムの性能向上の鍵は、豊富な意味を持つ概念システムである。 概念を表現し、概念システムを構築する新しい方法を見つけることは、多くのインテリジェントシステムの性能を大幅に向上させる。 発達心理学は、人間の行動レベルで概念獲得の過程を注意深く観察する。
  論文  参考訳（メタデータ） (2020-11-26T01:57:24Z)
• Bongard-LOGO: A New Benchmark for Human-Level Concept Learning and Reasoning [78.13740873213223]
  ボナード問題(BP)は、インテリジェントシステムにおける視覚認知へのインスピレーションとして導入された。 我々は人間レベルの概念学習と推論のための新しいベンチマークBongard-LOGOを提案する。
  論文  参考訳（メタデータ） (2020-10-02T03:19:46Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)

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。