論文の概要: Are Biological Systems More Intelligent Than Artificial Intelligence?

• arxiv url: http://arxiv.org/abs/2405.02325v3
• Date: Sat, 21 Dec 2024 05:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 22:39:30.091979
• Title: Are Biological Systems More Intelligent Than Artificial Intelligence?
• Title（参考訳）: 生物システムは人工知能よりも知性が高いか?
• Authors: Michael Timothy Bennett,
• Abstract要約: 細胞は誘導バイアスに適応し、静的インタプリタは適応しないため、生物学はよりインテリジェントであることを示す。 フォーマリズムの文脈では、がんのような障害状態は、システムがそれらの存在する抽象層によって厳格に拘束されているときに起こる。 これは、優雅な劣化を保証するために、コントロールを分散(トップダウンではなくボトムアップ)する必要があることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Is a biological self-organising system more `intelligent' than an artificial intelligence? If so, why? We frame intelligence as adaptability, and explore this question using a mathematical formalism of enactive causal learning. We extend it to formalise the multilayer, multiscale, bottom-up distributed computational architecture of biological self-organisation. We then show that this architecture allows for more efficient adaptation than the static top-down interpreters typically used in computers. To put it provocatively, biology is more intelligent because cells adapt to provide a helpful inductive bias, and static interpreters do not. We call this multilayer-causal-learning. However it inherits a flaw of biological self-organisation. Cells become cancerous when isolated from the collective informational structure, reverting to primitive transcriptional behaviour. We show that, in the context of our formalism, failure states like cancer occur when systems are too tightly constrained by the abstraction layer in which they exist. This suggests control should be distributed (bottom-up rather than top-down) to ensure graceful degradation. We speculate about what this implies for systems in general, from machine learning hardware to human organisational and economic systems. Our result shows how we can design more robust systems and, though theoretical in nature, it lays a foundation for future empirical research.
• Abstract（参考訳）: 生物学的自己組織化システムは人工知能よりも「知性」か? もしそうなら、なぜ? 我々はインテリジェンスを適応性(adaptability)とみなし、この疑問を円滑な因果学習の数学的フォーマリズムを用いて探求する。 生体自己組織化の多層・マルチスケール・ボトムアップ分散計算アーキテクチャを定式化するために拡張する。 そして、このアーキテクチャにより、コンピュータで一般的に使用される静的トップダウンインタプリタよりも、より効率的な適応が可能になることを示す。 これは、細胞が誘導バイアスに適応し、静的なインタプリタが適応しないためである。 これを多層因果学習(multilayer-causal-learning)と呼ぶ。 しかし、それは生物学的自己組織化の欠陥を継承する。 細胞は集団的な情報構造から単離され、原始的な転写行動に戻ると癌になる。 フォーマリズムの文脈では、がんのような障害状態は、システムがそれらの存在する抽象層によって厳格に拘束されているときに起こる。 これは、優雅な劣化を保証するために、コントロールを分散(トップダウンではなくボトムアップ)する必要があることを示唆している。 機械学習のハードウェアから、人間の組織や経済システムまで、システム全般にどのような意味があるのかを推測する。 我々の結果は、より堅牢なシステムをいかに設計できるかを示し、理論上は、将来の実証研究の基礎を築き上げている。

関連論文リスト

• Oracle-Efficient Reinforcement Learning for Max Value Ensembles [7.404901768256101]
  大または無限の状態空間における強化学習(RL)は、理論上、実験的に困難である。 この作業では、$textitmax-following Policy$と競合することを目指しています。 我々の主な成果は、構成ポリシーのみにアクセスすると、最大フォローポリシーと競合する効率的なアルゴリズムである。
  論文  参考訳（メタデータ） (2024-05-27T01:08:23Z)
• Bi-Level Offline Policy Optimization with Limited Exploration [1.8130068086063336]
  我々は、固定された事前コンパイルされたデータセットに基づいて良いポリシーを学習しようとするオフライン強化学習(RL)について研究する。 ポリシー(上層)と値関数(下層)の階層的相互作用をモデル化する2レベル構造化ポリシー最適化アルゴリズムを提案する。 我々は、オフラインRLのための合成、ベンチマーク、実世界のデータセットを混合して評価し、最先端の手法と競合することを示す。
  論文  参考訳（メタデータ） (2023-10-10T02:45:50Z)
• When is Agnostic Reinforcement Learning Statistically Tractable? [76.1408672715773]
  エンフスパンニング容量と呼ばれる新しい複雑性測度は、設定された$Pi$にのみ依存し、MDPダイナミクスとは独立である。 我々は、学習するためにスーパーポリノミカルな数のサンプルを必要とする制限付きスパンリング能力を持つポリシークラス$Pi$が存在することを示した。 これにより、生成的アクセスとオンラインアクセスモデルの間の学習可能性の驚くほどの分離が明らかになる。
  論文  参考訳（メタデータ） (2023-10-09T19:40:54Z)
• Policy learning "without" overlap: Pessimism and generalized empirical Bernstein's inequality [94.89246810243053]
  本論文は,事前収集した観測値を利用して最適な個別化決定規則を学習するオフライン政策学習について検討する。 既存の政策学習法は、一様重なりの仮定、すなわち、全ての個々の特性に対する全ての作用を探索する正当性は、境界を低くしなければならない。 我々は,点推定の代わりに低信頼度境界(LCB)を最適化する新しいアルゴリズムであるPPLを提案する。
  論文  参考訳（メタデータ） (2022-12-19T22:43:08Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• Chaos is a Ladder: A New Theoretical Understanding of Contrastive Learning via Augmentation Overlap [64.60460828425502]
  コントラスト学習の下流性能に関する新たな保証を提案する。 我々の新しい理論は、攻撃的なデータ強化の下で、異なるクラス内サンプルのサポートがより重なり合うという知見に基づいている。 本稿では、下流の精度とよく一致した教師なしモデル選択距離ARCを提案する。
  論文  参考訳（メタデータ） (2022-03-25T05:36:26Z)
• Divide-and-Conquer Hard-thresholding Rules in High-dimensional Imbalanced Classification [1.0312968200748118]
  高次元の線形判別分析(LDA)における不均衡クラスサイズの影響について検討した。 マイノリティ・クラスと呼ばれる1つのクラスのデータの不足により、LDAはマイノリティ・クラスを無視し、最大誤分類率を得ることを示す。 そこで本研究では,不等式化率の大きな差を低減させる分割・対数法に基づくハードコンカレンスルールの新たな構成法を提案する。
  論文  参考訳（メタデータ） (2021-11-05T07:44:28Z)
• Is Pessimism Provably Efficient for Offline RL? [104.00628430454479]
  優先度を収集したデータセットに基づいて最適なポリシーを学ぶことを目的としたオフライン強化学習(RL)について検討する。 ペナルティ関数として不確かさ量化器を組み込んだ値反復アルゴリズム(pevi)の悲観的変種を提案する。
  論文  参考訳（メタデータ） (2020-12-30T09:06:57Z)
• Hierarchically Decoupled Imitation for Morphological Transfer [95.19299356298876]
  形態学的に単純なエージェントから学習情報を転送することで、より複雑なエージェントのサンプル効率を大幅に向上させることができることを示す。 まず、より単純なエージェントの低レベルを模倣するために複雑なエージェントの低レベルをインセンティブ化すると、ゼロショット高レベル転送が大幅に改善されることを示す。 第2に,高レベルのKL正規化学習が学習を安定させ,モデム崩壊を防ぐことを示す。
  論文  参考訳（メタデータ） (2020-03-03T18:56:49Z)

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。