Fugu-MT 論文翻訳(概要): Quantum-Cognitive Neural Networks: Assessing Confidence and Uncertainty with Human Decision-Making Simulations

論文の概要: Quantum-Cognitive Neural Networks: Assessing Confidence and Uncertainty with Human Decision-Making Simulations

arxiv url: http://arxiv.org/abs/2412.08010v1
Date: Wed, 11 Dec 2024 01:34:21 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-12 14:03:08.519034
Title: Quantum-Cognitive Neural Networks: Assessing Confidence and Uncertainty with Human Decision-Making Simulations
Title（参考訳）: 量子認知ニューラルネットワーク:人間の意思決定シミュレーションによる信頼性と不確実性の評価
Authors: Milan Maksimovic, Ivan S. Maksymov,
Abstract要約: 我々は最近提案された量子トンネルニューラルネットワーク(QT-NN)を用いて画像データセットを分類する。以上の結果から,QT-NNモデルが人為的な意思決定を再現する可能性を示す可能性が示唆された。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Modern machine learning (ML) systems excel in recognising and classifying images with remarkable accuracy. However, like many computer software systems, they can fail by generating confusing or erroneous outputs or by deferring to human operators to interpret the results and make final decisions. In this paper, we employ the recently proposed quantum-tunnelling neural networks (QT-NNs), inspired by human brain processes, alongside quantum cognition theory, to classify image datasets while emulating human perception and judgment. Our findings suggest that the QT-NN model provides compelling evidence of its potential to replicate human-like decision-making and outperform traditional ML algorithms.
Abstract（参考訳）: 現代の機械学習(ML)システムは、画像の認識と分類を顕著に精度良く行う。しかし、多くのコンピュータソフトウェアシステムと同様に、混乱または誤出力を発生させたり、人間のオペレーターにその結果を解釈して最終的な決定を下すことで失敗することがある。本稿では,人間の知覚と判断をエミュレートしながら画像データセットを分類するために,人間の脳プロセスにインスパイアされた最近提案された量子タンネリングニューラルネットワーク(QT-NN)を用いる。以上の結果から,QT-NNモデルが従来のMLアルゴリズムよりも優れた人間的な意思決定を再現する可能性を示す可能性が示唆された。

関連論文リスト

Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
ClaudesLens: Uncertainty Quantification in Computer Vision Models [0.0]
シャノンエントロピーに基づく異なるコンピュータビジョンモデルの出力の不確かさを定量化し評価する方法を提案する。我々は、シャノンエントロピーが、人工知能における不確実性を定量化するSOTA(State-of-the-art)手法において、最終的にはより大きな役割を果たすと考えている。
論文参考訳（メタデータ） (2024-06-18T18:58:54Z)
Manipulating Feature Visualizations with Gradient Slingshots [54.31109240020007]
本稿では,モデルの決定過程に大きな影響を及ぼすことなく,特徴可視化(FV)を操作する新しい手法を提案する。ニューラルネットワークモデルにおける本手法の有効性を評価し,任意の選択したニューロンの機能を隠蔽する能力を示す。
論文参考訳（メタデータ） (2024-01-11T18:57:17Z)
Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文参考訳（メタデータ） (2023-12-01T05:20:57Z)
Bayes in the age of intelligent machines [11.613278345297399]
ベイズ的認知モデルと人工ニューラルネットワークは、異なるレベルの分析に関係しており、相補的なモデリングアプローチであると主張する。我々はまた、ベイズ的アプローチが一意に価値があるかもしれないインテリジェントマシンにも、同じ視点が適用できると主張する。
論文参考訳（メタデータ） (2023-11-16T21:39:54Z)
ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
論文参考訳（メタデータ） (2023-08-22T09:11:53Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Toward stochastic neural computing [11.955322183964201]
本稿では,ノイズ入力のストリームをスパイキングニューロンの集団によって変換し,処理するニューラルコンピューティングの理論を提案する。本手法をIntelのLoihiニューロモルフィックハードウェアに適用する。
論文参考訳（メタデータ） (2023-05-23T12:05:35Z)
Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文参考訳（メタデータ） (2022-12-29T10:46:40Z)
Quantum neural networks with deep residual learning [29.929891641757273]
本稿では,深層残留学習(resqnn)を用いた新しい量子ニューラルネットワークを提案する。 ResQNNは未知のユニタリを学び、驚くべきパフォーマンスを得ることができます。
論文参考訳（メタデータ） (2020-12-14T18:11:07Z)
Quantum Superposition Inspired Spiking Neural Network [4.5727987473456055]
人工知能モデルの進歩にもかかわらず、ニューラルネットワークは人間のパフォーマンスを達成することはできない。本稿では,脳内の量子機構や現象にインスパイアされた量子重畳スパイクニューラルネットワークを提案する。 QS-SNNは、計算の観点から脳にインスパイアされたスパイクニューラルネットワークモデルに量子理論を組み込んでおり、従来のANNモデルと比較してより堅牢なパフォーマンスをもたらす。
論文参考訳（メタデータ） (2020-10-23T07:11:53Z)

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。