論文の概要: "Efficient Complexity": a Constrained Optimization Approach to the Evolution of Natural Intelligence
- arxiv url: http://arxiv.org/abs/2410.13881v1
- Date: Thu, 03 Oct 2024 11:54:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-27 06:14:45.022336
- Title: "Efficient Complexity": a Constrained Optimization Approach to the Evolution of Natural Intelligence
- Title(参考訳): 効率的な複雑性--自然知能の進化への制約付き最適化アプローチ
- Authors: Serge Dolgikh,
- Abstract要約: 情報理論、生物物理学、バイオインフォマティクス、熱力学の結合における根本的な疑問は、外部刺激に関する情報が事前に入手できない自然環境における自然知性の発達を導く原理とプロセスに関するものである。
制約付き最適化の枠組みでは,自然学習の情報プロセスの記述に新たなアプローチが提案されている。
構造の複雑さ、可変性、効率性、あるいは提案された形式主義に基づく学習モデルのアーキテクチャの関係に関する非自明な結論は、ニューラルネットワークを生物学的および人工知能における小さな知能ユニットの協調グループとしての有効性を説明することができる。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: A fundamental question in the conjunction of information theory, biophysics, bioinformatics and thermodynamics relates to the principles and processes that guide the development of natural intelligence in natural environments where information about external stimuli may not be available at prior. A novel approach in the description of the information processes of natural learning is proposed in the framework of constrained optimization, where the objective function represented by the information entropy of the internal states of the system with the states of the external environment is maximized under the natural constraints of memory, computing power, energy and other essential resources. The progress of natural intelligence can be interpreted in this framework as a strategy of approximation of the solutions of the optimization problem via a traversal over the extrema network of the objective function under the natural constraints that were examined and described. Non-trivial conclusions on the relationships between the complexity, variability and efficiency of the structure, or architecture of learning models made on the basis of the proposed formalism can explain the effectiveness of neural networks as collaborative groups of small intelligent units in biological and artificial intelligence.
- Abstract(参考訳): 情報理論、生物物理学、バイオインフォマティクス、熱力学の結合における根本的な疑問は、外部刺激に関する情報が事前に入手できない自然環境における自然知性の発達を導く原理とプロセスに関するものである。
制約付き最適化の枠組みでは、外部環境の状態とシステムの内部状態の情報エントロピーによって表される目的関数を、メモリ、計算力、エネルギーなどの自然的制約の下で最大化する。
自然知能の進歩は, 対象関数の極端ネットワーク上でのトラバーサルによる最適化問題の解の近似戦略として, 検討, 解説された自然制約の下で解釈することができる。
構造の複雑さ、可変性、効率性、あるいは提案された形式主義に基づく学習モデルのアーキテクチャの関係に関する非自明な結論は、ニューラルネットワークを生物学的および人工知能における小さな知能ユニットの協調グループとしての有効性を説明することができる。
関連論文リスト
- Equation discovery framework EPDE: Towards a better equation discovery [50.79602839359522]
進化的最適化に基づく発見フレームワークであるEPDEアルゴリズムを強化する。
提案手法は基本関数や個人差分といった基本構造ブロックを用いて用語を生成する。
我々は,提案アルゴリズムの耐雑音性および全体的な性能を,最先端の方程式探索フレームワークであるSINDyの結果と比較することによって検証する。
論文 参考訳(メタデータ) (2024-12-28T15:58:44Z) - What should a neuron aim for? Designing local objective functions based on information theory [41.39714023784306]
バイオインスパイアされた局所学習目標を設計することで、自己組織化された人工ニューロンをどのように達成できるかを示す。
これらの目標は、情報理論の最近の拡張である部分情報分解を用いてパラメータ化される。
我々の研究は、地域学習戦略の原則的情報理論の基礎を推進している。
論文 参考訳(メタデータ) (2024-12-03T14:45:46Z) - Rethinking Cognition: Morphological Info-Computation and the Embodied Paradigm in Life and Artificial Intelligence [1.14219428942199]
本研究の目的は,情報,計算,認知に関する現在の研究のより広い文脈に,ロレンツォ・マグナニス・エコ認知計算主義を配置することである。
我々は、認知を、物理的、化学的、生物学的領域にまたがる自己集合、自己組織化、自己ポエシスのプロセスによって駆動される、同時モルフォロジー計算の網としてモデル化する。
論文 参考訳(メタデータ) (2024-12-01T10:04:53Z) - The Origin and Evolution of Information Handling [0.6963971634605796]
情報ファーストアプローチは、ホフメイユの(F, A)-システムと時間的パラメトリゼーションとマルチスケール因果関係を統合する。
我々のモデルは、正規言語を認識する単純な反応ネットワークから、記憶と予測能力を備えた自己複製化学システムまで、情報処理の進化を辿る。
論文 参考訳(メタデータ) (2024-04-05T19:35:38Z) - Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。
ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。
これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文 参考訳(メタデータ) (2024-02-04T21:43:37Z) - 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) - Balancing Explainability-Accuracy of Complex Models [8.402048778245165]
我々は,コリレーションの影響に基づき,複雑なモデルに対する新しいアプローチを提案する。
独立機能と依存機能の両方のシナリオに対するアプローチを提案する。
従属特徴に対する提案手法の複雑さの上限を提供する。
論文 参考訳(メタデータ) (2023-05-23T14:20:38Z) - Objective discovery of dominant dynamical processes with intelligible
machine learning [0.0]
本稿では,動的状態の同定を最適化問題として定式化する形式的定義を提案する。
本稿では,事前知識やアドホックな定義の必要性を排除した教師なし学習フレームワークを提案する。
我々の手法は、動的システム内でセレンディピティーな発見を可能にする、偏りのないデータ探索への一歩である。
論文 参考訳(メタデータ) (2021-06-21T20:57:23Z) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳(メタデータ) (2021-06-14T20:48:48Z) - Developing Constrained Neural Units Over Time [81.19349325749037]
本稿では,既存のアプローチと異なるニューラルネットワークの定義方法に焦点をあてる。
ニューラルネットワークの構造は、データとの相互作用にも拡張される制約の特別なクラスによって定義される。
提案した理論は時間領域にキャストされ, データを順序づけられた方法でネットワークに提示する。
論文 参考訳(メタデータ) (2020-09-01T09:07:25Z) - Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。
具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文 参考訳(メタデータ) (2020-03-09T15:04:07Z)
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。