論文の概要: Leveraging Knowledge Graph-Based Human-Like Memory Systems to Solve Partially Observable Markov Decision Processes

• arxiv url: http://arxiv.org/abs/2408.05861v1
• Date: Sun, 11 Aug 2024 21:04:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 15:05:59.038993
• Title: Leveraging Knowledge Graph-Based Human-Like Memory Systems to Solve Partially Observable Markov Decision Processes
• Title（参考訳）: 知識グラフに基づくヒューマンライクメモリシステムによる部分観測可能なマルコフ決定過程の解法
• Authors: Taewoon Kim, Vincent François-Lavet, Michael Cochez,
• Abstract要約: 我々は、部分的に観察可能なマルコフ決定プロセス(POMDP)を開発し、迷路をナビゲートしながら、エージェントが質問に答えなければならない。 環境は完全に知識グラフ(KG)に基づいており、隠れた状態は動的KGである。 私たちは、エージェントを異なるメモリシステムで訓練し比較し、独自のメモリシステムを管理する上で、人間の脳がどのように機能するかを明らかにします。
• 参考スコア（独自算出の注目度）: 9.953497719634726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans observe only part of their environment at any moment but can still make complex, long-term decisions thanks to our long-term memory system. To test how an AI can learn and utilize its long-term memory system, we have developed a partially observable Markov decision processes (POMDP) environment, where the agent has to answer questions while navigating a maze. The environment is completely knowledge graph (KG) based, where the hidden states are dynamic KGs. A KG is both human- and machine-readable, making it easy to see what the agents remember and forget. We train and compare agents with different memory systems, to shed light on how human brains work when it comes to managing its own memory systems. By repurposing the given learning objective as learning a memory management policy, we were able to capture the most likely belief state, which is not only interpretable but also reusable.
• Abstract（参考訳）: 人間はいつでも環境の一部だけを観察するが、我々の長期記憶システムのおかげで、複雑な長期的な決定を下すことができる。 AIが長期記憶システムをどのように学習し活用するかをテストするため、我々は部分的に観察可能なマルコフ決定プロセス(POMDP)環境を開発し、エージェントは迷路をナビゲートしながら質問に答えなければならない。 環境は完全に知識グラフ(KG)に基づいており、隠れた状態は動的KGである。 KGは人間でも機械でも読みやすいので、エージェントが何を覚えて忘れているかを簡単に確認できる。 私たちは、エージェントを異なるメモリシステムで訓練し比較し、独自のメモリシステムを管理する上で、人間の脳がどのように機能するかを明らかにします。 学習目標を記憶管理方針の学習として再設定することで,解釈可能なだけでなく,再利用可能な,最も可能性の高い信念状態を捉えることができた。

関連論文リスト

• Human-inspired Perspectives: A Survey on AI Long-term Memory [46.33545299110207]
  本稿では,人間の長期記憶機構を紹介し,その後,AIによる長期記憶機構について検討する。 自己適応型長期記憶(SALM)の認知アーキテクチャを提案する。 SALMは、AI長期記憶の実践のための理論的フレームワークを提供し、次世代の長期記憶駆動型AIシステムの開発を導く可能性を秘めている。
  論文  参考訳（メタデータ） (2024-11-01T10:04:01Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• Survey on Memory-Augmented Neural Networks: Cognitive Insights to AI Applications [4.9008611361629955]
  メモリ拡張ニューラルネットワーク(MANN)は、ヒューマンライクなメモリプロセスをAIに混ぜる。 本研究は, ホップフィールドネットワーク, ニューラルチューリングマシン, 相関行列記憶, メムフォーマ, ニューラルアテンション記憶などの高度なアーキテクチャについて検討した。 自然言語処理、コンピュータビジョン、マルチモーダルラーニング、検索モデルにまたがるMANNの現実的利用に潜んでいる。
  論文  参考訳（メタデータ） (2023-12-11T06:05:09Z)
• Semantic HELM: A Human-Readable Memory for Reinforcement Learning [9.746397419479445]
  人間の言語における過去の出来事を表現する新しい記憶機構を提案する。 私たちは、部分的に観測可能な環境のセットでメモリメカニズムをトレーニングし、それがメモリコンポーネントを必要とするタスクに優れていることを見つけます。 メモリメカニズムは人間が読めるので、エージェントのメモリを覗き見して、重要な情報が保存されているかどうかを確認することができます。
  論文  参考訳（メタデータ） (2023-06-15T17:47:31Z)
• LLM as A Robotic Brain: Unifying Egocentric Memory and Control [77.0899374628474]
  Embodied AIは、物理的または仮想的なエンボディメント(つまりロボット)を持つインテリジェントシステムの研究と開発に焦点を当てている。 メモリとコントロールは、具体化されたシステムの2つの不可欠な部分であり、通常、それぞれをモデル化するために別々のフレームワークを必要とします。 ロボット脳として大規模言語モデルを用いて,エゴセントリックな記憶と制御を統一するLLM-Brainという新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-19T00:08:48Z)
• Memory-Augmented Theory of Mind Network [59.9781556714202]
  社会的推論は、心の理論(ToM)の能力を必要とする。 ToMに対する最近の機械学習アプローチは、観察者が過去を読み、他のエージェントの振る舞いを提示するように訓練できることを実証している。 我々は,新たなニューラルメモリ機構を組み込んで符号化し,階層的な注意を払って他者に関する情報を選択的に検索することで,課題に対処する。 この結果、ToMMYは心的プロセスについての仮定をほとんど行わずに理性を学ぶマインドモデルである。
  論文  参考訳（メタデータ） (2023-01-17T14:48:58Z)
• A Machine with Short-Term, Episodic, and Semantic Memory Systems [9.42475956340287]
  明示的な人間の記憶システムの認知科学理論に触発されて、我々は短期的、エピソード的、セマンティックな記憶システムを持つエージェントをモデル化した。 実験により,人間のような記憶システムを持つエージェントは,このメモリ構造を環境に残さずにエージェントよりも優れた性能を発揮できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-05T08:34:23Z)
• Learning What to Memorize: Using Intrinsic Motivation to Form Useful Memory in Partially Observable Reinforcement Learning [0.0]
  曖昧な環境で学習するためには、エージェントは以前の認識を記憶に残さなければならない。 本研究では, メモリの制御をエージェントに委ねることで, メモリ変更動作を可能とすることで, メモリの制御をエージェントに行わせるという考え方に従う。 この学習メカニズムは、希少な観察を記憶する本質的な動機によって支えられ、エージェントが環境中の状態を曖昧にするのに役立つ。
  論文  参考訳（メタデータ） (2021-10-25T11:15:54Z)
• Memory and attention in deep learning [19.70919701635945]
  マシンのメモリ構成は避けられない。 ディープラーニングにおけるメモリモデリングの最近の進歩は、外部メモリ構築を中心に展開されている。 この論文の目的は、深層学習における記憶と注意に対する理解を深めることである。
  論文  参考訳（メタデータ） (2021-07-03T09:21:13Z)
• Learning to Learn Variational Semantic Memory [132.39737669936125]
  我々はメタラーニングに変分セマンティックメモリを導入し、数ショットラーニングのための長期的知識を得る。 セマンティックメモリはスクラッチから成長し、経験したタスクから情報を吸収することで徐々に統合される。 アドレスコンテンツから潜在記憶変数の変動推論としてメモリリコールを定式化する。
  論文  参考訳（メタデータ） (2020-10-20T15:05:26Z)
• Self-Attentive Associative Memory [69.40038844695917]
  我々は、個々の体験(記憶)とその発生する関係(関連記憶)の記憶を分離することを提案する。 機械学習タスクの多様性において,提案した2メモリモデルと競合する結果が得られる。
  論文  参考訳（メタデータ） (2020-02-10T03:27:48Z)

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。