論文の概要: Reducing Diversity to Generate Hierarchical Archetypes
- arxiv url: http://arxiv.org/abs/2409.18633v1
- Date: Fri, 27 Sep 2024 11:06:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-01 19:54:56.545932
- Title: Reducing Diversity to Generate Hierarchical Archetypes
- Title（参考訳）: 階層的アーチタイプを生成するための多様性の低減
- Authors: Alfredo Ibias, Hector Antona, Guillem Ramirez-Miranda, Enric Guinovart, Eduard Alarcon,
- Abstract要約: 構築的アーキタイプの階層を自動的に生成するプリミティブベースのフレームワークを提案する。
数学的定義と証明により,本フレームワークの有効性を実証する。
- 参考スコア（独自算出の注目度）: 2.5069344340760713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Artificial Intelligence field seldom address the development of a fundamental building piece: a framework, methodology or algorithm to automatically build hierarchies of abstractions. This is a key requirement in order to build intelligent behaviour, as recent neuroscience studies clearly expose. In this paper we present a primitive-based framework to automatically generate hierarchies of constructive archetypes, as a theory of how to generate hierarchies of abstractions. We assume the existence of a primitive with very specific characteristics, and we develop our framework over it. We prove the effectiveness of our framework through mathematical definitions and proofs. Finally, we give a few insights about potential uses of our framework and the expected results.
- Abstract（参考訳）: 人工知能分野は、抽象の階層を自動的に構築するフレームワーク、方法論、あるいはアルゴリズムという、基本的な構築要素の開発にはほとんど対処しない。
これは知的行動を構築する上で重要な要件であり、最近の神経科学研究が明らかに明らかにしている。
本稿では,構成的アーキタイプの階層を自動的に生成するプリミティブ・ベース・フレームワークについて,抽象化の階層を生成する方法の理論として提示する。
私たちは、非常に特異な特徴を持つプリミティブの存在を前提としており、その上でフレームワークを開発しています。
数学的定義と証明により,本フレームワークの有効性を実証する。
最後に、フレームワークの潜在的な用途と期待される結果について、いくつかの洞察を与えます。
関連論文リスト
- VisualPredicator: Learning Abstract World Models with Neuro-Symbolic Predicates for Robot Planning [86.59849798539312]
本稿では,記号的・神経的知識表現の強みを組み合わせた一階抽象言語Neuro-Symbolic Predicatesを提案する。
提案手法は, サンプルの複雑さの向上, 分布外一般化の強化, 解釈可能性の向上を実現する。
論文 参考訳（メタデータ） (2024-10-30T16:11:05Z) - From Manifestations to Cognitive Architectures: a Scalable Framework [2.6563873893593826]
本稿では,現実を情報源として解釈する新しい手法を提案する。
このフレームワークは、Long Term MemoryやWorking Memoryといった、古典的な認知アーキテクチャの要素を構築することができる。
論文 参考訳（メタデータ） (2024-06-14T08:26:26Z) - Reinforcement Learning with Options and State Representation [105.82346211739433]
この論文は、強化学習分野を探求し、改良された手法を構築することを目的としている。
階層的強化学習(Hierarchical Reinforcement Learning)として知られる階層的な方法で学習タスクを分解することで、そのような目標に対処する。
論文 参考訳（メタデータ） (2024-03-16T08:30:55Z) - Fundamental Components of Deep Learning: A category-theoretic approach [0.0]
この論文は、カテゴリ理論の言語に基づく、ディープラーニングのための新しい数学的基礎を発展させている。
我々はまた、既存の多くのアプローチを体系化し、多くの既存の構成と概念を同じ傘の下に置きます。
論文 参考訳（メタデータ） (2024-03-13T01:29:40Z) - Learning Structure-Aware Representations of Dependent Types [3.7794090250290187]
Agdaは依存型プログラミング言語であり、証明アシスタントである。
本稿では,Agdaエコシステムを機械学習領域に拡張する。
我々は,Agdaプログラムプロテクションの新しいデータセットを導入し,リリースする。
論文 参考訳（メタデータ） (2024-02-03T09:56:37Z) - On the Affinity, Rationality, and Diversity of Hierarchical Topic
Modeling [29.277151061615434]
我々は交通計画と文脈対応階層的トピックモデル(TraCo)を提案する。
TraCoは依存関係を制約して、そのスパーシティとバランスを確保すると同時に、トピック階層の構築を規則化している。
以前は絡み合ったデコーディングではなく、アンタングル化されたデコーディングによって異なるレベルのトピックに異なる意味的な粒度を分散する。
論文 参考訳（メタデータ） (2024-01-25T11:47:58Z) - Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。
我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。
我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文 参考訳（メタデータ） (2021-10-18T17:56:02Z) - Towards a Predictive Processing Implementation of the Common Model of
Cognition [79.63867412771461]
本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。
提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
論文 参考訳（メタデータ） (2021-05-15T22:55:23Z) - Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges [50.22269760171131]
過去10年間、データサイエンスと機械学習の実験的な革命が、ディープラーニングの手法によって生まれた。
このテキストは、統一幾何学的原理によって事前に定義された規則性を公開することに関するものである。
CNN、RNN、GNN、Transformersなど、最も成功したニューラルネットワークアーキテクチャを研究するための一般的な数学的フレームワークを提供する。
論文 参考訳（メタデータ） (2021-04-27T21:09:51Z) - Understanding Deep Architectures with Reasoning Layer [60.90906477693774]
本研究では,アルゴリズムの収束,安定性,感度といった特性が,エンドツーエンドモデルの近似と一般化能力と密接に関連していることを示す。
私たちの理論は、深いアーキテクチャを推論層で設計するための有用なガイドラインを提供することができます。
論文 参考訳（メタデータ） (2020-06-24T00:26:35Z)
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。