Fugu-MT 論文翻訳(概要): Assembling Modular, Hierarchical Cognitive Map Learners with Hyperdimensional Computing

論文の概要: Assembling Modular, Hierarchical Cognitive Map Learners with Hyperdimensional Computing

arxiv url: http://arxiv.org/abs/2404.19051v1
Date: Mon, 29 Apr 2024 18:45:51 GMT
ステータス: 処理完了
システム内更新日: 2024-05-01 18:10:13.519482
Title: Assembling Modular, Hierarchical Cognitive Map Learners with Hyperdimensional Computing
Title（参考訳）: 超次元計算によるモジュール型階層型認知マップ学習者の構築
Authors: Nathan McDonald, Anthony Dematteo,
Abstract要約: 認知地図学習者(Cognitive Map Learningers, CML)は、独立して訓練された単一層人工ニューラルネットワーク(行列)の集合である。この研究は、高次元ベクトルとして表現されたノード状態を持つCMLを、シンボリック機械学習(ML)の形式である超次元計算(HDC)と整合する。いくつかのCMLは独立に作成され、それぞれのグラフトポロジーに明示的に言及せずにハノイの塔を解くために再利用された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cognitive map learners (CML) are a collection of separate yet collaboratively trained single-layer artificial neural networks (matrices), which navigate an abstract graph by learning internal representations of the node states, edge actions, and edge action availabilities. A consequence of this atypical segregation of information is that the CML performs near-optimal path planning between any two graph node states. However, the CML does not learn when or why to transition from one node to another. This work created CMLs with node states expressed as high dimensional vectors consistent with hyperdimensional computing (HDC), a form of symbolic machine learning (ML). This work evaluated HDC-based CMLs as ML modules, capable of receiving external inputs and computing output responses which are semantically meaningful for other HDC-based modules. Several CMLs were prepared independently then repurposed to solve the Tower of Hanoi puzzle without retraining these CMLs and without explicit reference to their respective graph topologies. This work suggests a template for building levels of biologically plausible cognitive abstraction and orchestration.
Abstract（参考訳）: 認知マップ学習者(CML)は、ノード状態、エッジアクション、エッジアクションアベイラビリティの内部表現を学習することによって抽象グラフをナビゲートする、独立して訓練された単一層人工ニューラルネットワーク(行列)の集合である。この非定型的な情報分離の結果、CMLは2つのグラフノード状態間のほぼ最適経路計画を実行する。しかし、CMLはいつ、なぜあるノードから別のノードへ移行すべきかを学ばない。この研究は、高次元ベクトルとして表現されたノード状態を持つCMLを、記号機械学習(ML)の形式である超次元コンピューティング(HDC)と整合する。この研究は、HDCベースのCMLをMLモジュールとして評価し、外部入力を受信し、他のHDCベースのモジュールに意味のある出力応答を計算する。いくつかのCMLは独立に作成され、これらのCMLをトレーニングすることなく、それぞれのグラフトポロジーに明示的に言及することなく、ハノイのタワーを解くために再利用された。この研究は、生物学的に妥当な認知的抽象化とオーケストレーションのレベルを構築するためのテンプレートを提案する。

関連論文リスト

Linking in Style: Understanding learned features in deep learning models [0.0]
畳み込みニューラルネットワーク(CNN)は抽象的な特徴を学び、オブジェクト分類を行う。本稿では,CNNにおける学習特徴を可視化し,体系的に解析する自動手法を提案する。
論文参考訳（メタデータ） (2024-09-25T12:28:48Z)
Modular, Hierarchical Machine Learning for Sequential Goal Completion [0.0]
典型的な機械学習(ML)ソリューションには、モノリシックにトレーニングされた人工知能(ANN)が含まれる。モノリシックなANNの代わりに、モジュール型MLコンポーネントは、1)独立して最適化可能(タスクに依存しない)、2)他のMLモジュールと任意に再構成可能である。本研究は,1)認知マップ学習者(CML)と2)超次元コンピューティング(HDC)の2つの新興ML技術を統合することで,モジュラーで階層的なMLフレームワークを記述する。
論文参考訳（メタデータ） (2024-04-29T19:01:55Z)
Lattice-preserving $\mathcal{ALC}$ ontology embeddings with saturation [50.05281461410368]
OWL表現の埋め込みを生成するため,順序保存型埋め込み法を提案する。本手法は,いくつかの知識ベース完了タスクにおいて,最先端の組込み手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-05-11T22:27:51Z)
Modularizing and Assembling Cognitive Map Learners via Hyperdimensional Computing [0.0]
認知地図学習者(CML)は、3つの独立した、協調的に訓練された人工ニューラルネットワークの集合である。この研究は、高次元コンピューティング(HDC)に適した高次元ベクトルとして表現されたノード状態を持つCMLを作成し、シンボリック機械学習(ML)の形式である。最初のアプローチではHDCを使用して任意の数の階層CMLを設計し、各グラフノード状態が次の下位レベルCMLに対してターゲットノード状態を指定する。
論文参考訳（メタデータ） (2023-04-10T17:47:13Z)
Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing [71.19528222206088]
顔解析のための周期的自己統制型デカップリング型マルチタスク学習を提案する。具体的には、DML-CSRは、顔解析、バイナリエッジ、カテゴリエッジ検出を含むマルチタスクモデルを設計する。提案手法は,Helen,CelebA-HQ,LapaMaskのデータセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-03-28T02:12:30Z)
Dendritic Self-Organizing Maps for Continual Learning [0.0]
我々は、DendSOM(Dendritic-Self-Organizing Map)と呼ばれる生物学的ニューロンにインスパイアされた新しいアルゴリズムを提案する。 DendSOMは、入力空間の特定の領域からパターンを抽出する単一のSOMからなる。ベンチマークデータセットでは、古典的なSOMやいくつかの最先端の継続的学習アルゴリズムよりも優れています。
論文参考訳（メタデータ） (2021-10-18T14:47:19Z)
Multi-Level Attention Pooling for Graph Neural Networks: Unifying Graph Representations with Multiple Localities [4.142375560633827]
グラフニューラルネットワーク(GNN)は、グラフ構造データのベクトル表現を学ぶために広く使用されている。潜在的な原因は、深いGNNモデルは、多くのメッセージ通過ステップを通じてノードのローカル情報を失う傾向にある。このいわゆる過度な問題を解くために,マルチレベルアテンションプールアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-03-02T05:58:12Z)
My Body is a Cage: the Role of Morphology in Graph-Based Incompatible Control [65.77164390203396]
本稿では,グラフにエンコードされた形態情報により,その性能が向上しないことを示す既存手法に関する一連のアブリケーションを示す。グラフ構造からGNNが抽出した利益は、メッセージパッシングのために生じる困難によって上回っているという仮説により、Amorpheusも提案する。
論文参考訳（メタデータ） (2020-10-05T08:37:11Z)
Class-wise Dynamic Graph Convolution for Semantic Segmentation [63.08061813253613]
本稿では,情報を適応的に伝達するクラスワイド動的グラフ畳み込み (CDGC) モジュールを提案する。また、CDGCモジュールと基本セグメンテーションネットワークを含む2つの主要部分からなるCDGCNet(Class-wise Dynamic Graph Convolution Network)についても紹介する。我々は,Cityscapes,PASCAL VOC 2012,COCO Stuffの3つの一般的なセマンティックセマンティックセマンティクスベンチマークについて広範な実験を行った。
論文参考訳（メタデータ） (2020-07-19T15:26:50Z)
Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2020-03-23T12:28:07Z)
Linguistically Driven Graph Capsule Network for Visual Question Reasoning [153.76012414126643]
我々は「言語的に駆動されるグラフカプセルネットワーク」と呼ばれる階層的構成推論モデルを提案する。具体的には,各カプセルを最下層に結合させ,元の質問に1つの単語を埋め込んだ言語的埋め込みを視覚的証拠で橋渡しする。 CLEVRデータセット、CLEVR合成生成テスト、およびFinalQAデータセットの実験は、我々のエンドツーエンドモデルの有効性と構成一般化能力を示す。
論文参考訳（メタデータ） (2020-03-23T03:34:25Z)

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。

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。