論文の概要: Exploring Cognition through Morphological Info-Computational Framework

• arxiv url: http://arxiv.org/abs/2412.00748v1
• Date: Sun, 01 Dec 2024 09:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:46:35.492427
• Title: Exploring Cognition through Morphological Info-Computational Framework
• Title（参考訳）: 形態情報計算フレームワークによる認知の探索
• Authors: Gordana Dodig-Crnkovic,
• Abstract要約: 情報と計算は、認知と分離的に関連付けられている。 本章では、自然を認識者のための計算構造として結びつける研究について論じる。 認知の具体化を理解することは、生物学、進化、知性理論、AI、ロボット工学、その他の分野において重要である。
• 参考スコア（独自算出の注目度）: 1.14219428942199
• License:
• Abstract: Traditionally, cognition has been considered a uniquely human capability involving perception, memory, learning, reasoning, and problem-solving. However, recent research shows that cognition is a fundamental ability shared by all living beings, from single cells to complex organisms. This chapter takes an info-computational approach (ICON), viewing natural structures as information and the processes of change in these structures as computations. It is a relational framework dependent on the perspective of a cognizing observer/cognizer. Informational structures are properties of the material substrate, and when focusing on the behavior of the substrate, we discuss morphological computing (MC). ICON and MC are complementary perspectives for a cognizer. Information and computation are inseparably connected with cognition. This chapter explores research connecting nature as a computational structure for a cognizer, with morphological computation, morphogenesis, agency, extended cognition, and extended evolutionary synthesis, using examples of the free energy principle and active inference. It introduces theoretical and practical approaches challenging traditional computational models of cognition limited to abstract symbol processing, highlighting the computational capacities inherent in the material substrate (embodiment). Understanding the embodiment of cognition through its morphological computational basis is crucial for biology, evolution, intelligence theory, AI, robotics, and other fields.
• Abstract（参考訳）: 伝統的に、認知は知覚、記憶、学習、推論、問題解決を含むユニークな人間の能力とみなされてきた。 しかし、最近の研究は、認知は単細胞から複雑な生物まで、すべての生物が共有する基本的な能力であることを示している。 この章は情報計算アプローチ(ICON)を取り、自然構造を情報として、そしてこれらの構造の変化の過程を計算として見る。 これは、認識するオブザーバ/認識者の視点に依存する関係フレームワークである。 情報構造は材料基板の特性であり, 基板の挙動に着目し, 形態計算(MC)について考察する。 ICONとMCは認識者にとって相補的な視点である。 情報と計算は、認知と分離的に関連付けられている。 この章では、自由エネルギー原理とアクティブ推論の例を用いて、認識者のための計算構造として自然と形態的計算、形態形成、エージェンシー、拡張認知、拡張進化合成とを結びつける研究を探求する。 これは、抽象的なシンボル処理に限定された従来の認知の計算モデルに挑戦する理論的および実践的なアプローチを導入し、材料基板(身体)に固有の計算能力を強調している。 認知の具体化を理解することは、生物学、進化、知性理論、AI、ロボット工学、その他の分野において重要である。

関連論文リスト

• A Survey on Compositional Learning of AI Models: Theoretical and Experimental Practices [15.92779896185647]
  構成学習は人間の認知、特に人間の言語理解と視覚知覚において重要である。 インテリジェンスにおいて重要な役割を担っているにもかかわらず、体系的な理論的、実験的研究方法論が欠如している。 本稿では,AIモデルの構成学習に関する文献と,認知研究との関わりについて考察する。
  論文  参考訳（メタデータ） (2024-06-13T03:46:21Z)
• Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
  自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。 我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。 我々は、理論的な主張を合成データ実験で裏付ける。
  論文  参考訳（メタデータ） (2024-06-01T18:01:03Z)
• Accelerating Scientific Discovery with Generative Knowledge Extraction, Graph-Based Representation, and Multimodal Intelligent Graph Reasoning [0.0]
  我々は1000の科学論文からなるデータセットを、オントロジ知識グラフに変換した。 我々はノード度を計算し、コミュニティと接続性を同定し、クラスタリング係数とピボットノード間の重心性を評価した。 グラフは本質的に無スケールの性質を持ち、高連結であり、グラフ推論に使用できる。
  論文  参考訳（メタデータ） (2024-03-18T17:30:27Z)
• Binding Dynamics in Rotating Features [72.80071820194273]
  本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。 これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
  論文  参考訳（メタデータ） (2024-02-08T12:31:08Z)
• 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)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• Acquiring and Modelling Abstract Commonsense Knowledge via Conceptualization [49.00409552570441]
  本研究では,コモンセンス推論における概念化の役割について検討し,人間の概念化を再現する枠組みを定式化する。 ATOMIC は大規模な人為的注釈付き CKG であり,この枠組みを分類プロベースで支援している。
  論文  参考訳（メタデータ） (2022-06-03T12:24:49Z)
• Natural Computational Architectures for Cognitive Info-Communication [3.3758186776249928]
  認知アーキテクチャに関する40年間の研究の概観(Kotseruba と Tsotsos 2020)は、人間の中核的な認知能力のモデリングを評価するが、自然計算に基づく生物学的に妥当なアプローチには限界がある。 我々は進化的情報計算の枠組みを用いており、そこでは自然・物理的・形態的計算がますます複雑な認知システムの進化に繋がる。
  論文  参考訳（メタデータ） (2021-10-01T18:01:16Z)
• Compositional Processing Emerges in Neural Networks Solving Math Problems [100.80518350845668]
  人工知能の最近の進歩は、大きなモデルが十分な言語データに基づいて訓練されると、文法構造が表現に現れることを示している。 我々は、この研究を数学的推論の領域にまで拡張し、どのように意味を構成するべきかについての正確な仮説を定式化することができる。 私たちの研究は、ニューラルネットワークがトレーニングデータに暗黙的に構造化された関係について何かを推測できるだけでなく、個々の意味の合成を合成全体へと導くために、この知識を展開できることを示している。
  論文  参考訳（メタデータ） (2021-05-19T07:24:42Z)
• Neural Analogical Matching [8.716086137563243]
  人間と類似することの重要性は、人工知能の幅広い分野における研究の活発な領域となった。 本稿では,構造的,記号的表現間の類似を学習するニューラルネットワークであるAnalogical Matching Networkを紹介する。
  論文  参考訳（メタデータ） (2020-04-07T17:50:52Z)

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。