論文の概要: Philosophy of Cognitive Science in the Age of Deep Learning

• arxiv url: http://arxiv.org/abs/2405.04048v1
• Date: Tue, 7 May 2024 06:39:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 15:09:09.449098
• Title: Philosophy of Cognitive Science in the Age of Deep Learning
• Title（参考訳）: 深層学習時代の認知科学の哲学
• Authors: Raphaël Millière,
• Abstract要約: ディープラーニングは、人工知能研究のほとんどの領域で大きな進歩をもたらした。 このパースペクティブペーパーは、貢献が特に実りのある重要な領域を調査している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has enabled major advances across most areas of artificial intelligence research. This remarkable progress extends beyond mere engineering achievements and holds significant relevance for the philosophy of cognitive science. Deep neural networks have made significant strides in overcoming the limitations of older connectionist models that once occupied the centre stage of philosophical debates about cognition. This development is directly relevant to long-standing theoretical debates in the philosophy of cognitive science. Furthermore, ongoing methodological challenges related to the comparative evaluation of deep neural networks stand to benefit greatly from interdisciplinary collaboration with philosophy and cognitive science. The time is ripe for philosophers to explore foundational issues related to deep learning and cognition; this perspective paper surveys key areas where their contributions can be especially fruitful.
• Abstract（参考訳）: ディープラーニングは、人工知能研究のほとんどの領域で大きな進歩をもたらした。 この顕著な進歩は単なる工学的成果を超えて、認知科学の哲学に重大な関連性を持っている。 ディープニューラルネットワークは、認知に関する哲学的議論の中心的な段階を占めていた古いコネクショナリストモデルの限界を克服するために大きな進歩を遂げてきた。 この発展は認知科学の哲学における長年の理論的議論に直接関係している。 さらに、ディープニューラルネットワークの比較評価に関連する方法論上の課題は、哲学と認知科学との学際的なコラボレーションから大きな恩恵を受けている。 哲学者にとって、深層学習と認知に関する基礎的な問題を探求する時期は熟し、この視点では、その貢献が特に実りのある重要な領域を調査する。

関連論文リスト

• Multiple Realizability and the Rise of Deep Learning [0.0]
  本稿では,多重実現可能性論における深層学習モデルの有効性について考察する。 これは、ディープニューラルネットワークが認知に関する仮説を定式化し、評価する上で重要な役割を担っていることを示唆している。
  論文  参考訳（メタデータ） (2024-05-21T22:36:49Z)
• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
  我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。 大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
  論文  参考訳（メタデータ） (2022-12-20T18:46:16Z)
• Deep Causal Learning: Representation, Discovery and Inference [2.696435860368848]
  因果学習は、現象の基盤となり、世界が進化するメカニズムを規定する本質的な関係を明らかにする。 従来の因果学習手法は、高次元変数、非構造変数、最適化問題、未観測の共同設立者、選択バイアス、推定不正確さなど、多くの課題や制限に直面している。 ディープ・因果学習はディープ・ニューラルネットワークを活用し、これらの課題に対処するための革新的な洞察と解決策を提供する。
  論文  参考訳（メタデータ） (2022-11-07T09:00:33Z)
• Theoretical Perspectives on Deep Learning Methods in Inverse Problems [115.93934028666845]
  我々は、生成前の先行、訓練されていないニューラルネットワークの先行、および展開アルゴリズムに焦点を当てる。 これらのトピックにおける既存の結果の要約に加えて、現在進行中の課題やオープンな問題も強調する。
  論文  参考訳（メタデータ） (2022-06-29T02:37:50Z)
• Deep Learning Opacity in Scientific Discovery [0.15229257192293197]
  哲学的悲観主義と科学的楽観主義の切り離しは、AIが科学で実際にどのように使われているかを調べるのに失敗している、と私は主張する。 AIによるブレークスルーの正当化を理解するために、哲学者はより広範な発見プロセスの一環として、ディープラーニングが果たす役割を検証しなければなりません。
  論文  参考訳（メタデータ） (2022-06-01T14:30:49Z)
• Mind the gap: Challenges of deep learning approaches to Theory of Mind [0.0]
  心の理論は、人間が他人の精神状態を推測する重要な能力である。 ここでは、心の理論に対する深層学習アプローチの可能性、現在の進歩、課題について、一貫した概要を述べる。
  論文  参考訳（メタデータ） (2022-03-30T15:48:05Z)
• From Psychological Curiosity to Artificial Curiosity: Curiosity-Driven Learning in Artificial Intelligence Tasks [56.20123080771364]
  心理学的好奇心は、探索と情報取得を通じて学習を強化するために、人間の知性において重要な役割を果たす。 人工知能(AI)コミュニティでは、人工好奇心は効率的な学習に自然な本質的な動機を与える。 CDLはますます人気を博し、エージェントは新たな知識を学習するために自己動機付けされている。
  論文  参考訳（メタデータ） (2022-01-20T17:07:03Z)
• Limitations of Deep Neural Networks: a discussion of G. Marcus' critical appraisal of deep learning [0.0]
  ディープニューラルネットワークは、医療画像、半自律車、電子商取引、遺伝学研究、音声認識、粒子物理学、実験芸術、経済予測、環境科学、工業製造、そしてほぼあらゆる分野の様々な応用において、非常に大きな成果を上げてきた。 本研究は、深層ニューラルネットワークの限界のいくつかを調査し、将来の研究のための潜在的な経路を指し示し、多くの研究者が保持するメタフィジカルな誤解を解消することを目的としている。
  論文  参考訳（メタデータ） (2020-12-22T12:11:19Z)
• Optimism in the Face of Adversity: Understanding and Improving Deep Learning through Adversarial Robustness [63.627760598441796]
  深層学習における対角的強靭性の分野を詳細に検討する。 直感的な対向例と深層ニューラルネットワークの幾何学的関係を強調した。 セキュリティを超えた敵の堅牢性の主な応用について概説する。
  論文  参考訳（メタデータ） (2020-10-19T16:03:46Z)

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。