論文の概要: A New Approach for Knowledge Generation Using Active Inference

• arxiv url: http://arxiv.org/abs/2501.15105v1
• Date: Sat, 25 Jan 2025 07:06:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:10.410663
• Title: A New Approach for Knowledge Generation Using Active Inference
• Title（参考訳）: 能動推論を用いた知識生成の新しいアプローチ
• Authors: Jamshid Ghasimi, Nazanin Movarraei,
• Abstract要約: セマンティックネットワークモデルを含む、人間の脳内での知識の生成方法に関する様々なモデルが提案されている。 本研究では、脳の自由エネルギー原理に基づいて、3種類の宣言的、手続き的、条件的知識を生成するモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: There are various models proposed on how knowledge is generated in the human brain including the semantic networks model. Although this model has been widely studied and even computational models are presented, but, due to various limits and inefficiencies in the generation of different types of knowledge, its application is limited to semantic knowledge because of has been formed according to semantic memory and declarative knowledge and has many limits in explaining various procedural and conditional knowledge. Given the importance of providing an appropriate model for knowledge generation, especially in the areas of improving human cognitive functions or building intelligent machines, improving existing models in knowledge generation or providing more comprehensive models is of great importance. In the current study, based on the free energy principle of the brain, is the researchers proposed a model for generating three types of declarative, procedural, and conditional knowledge. While explaining different types of knowledge, this model is capable to compute and generate concepts from stimuli based on probabilistic mathematics and the action-perception process (active inference). The proposed model is unsupervised learning that can update itself using a combination of different stimuli as a generative model can generate new concepts of unsupervised received stimuli. In this model, the active inference process is used in the generation of procedural and conditional knowledge and the perception process is used to generate declarative knowledge.
• Abstract（参考訳）: セマンティックネットワークモデルを含む、人間の脳内での知識の生成方法に関する様々なモデルが提案されている。 このモデルは広く研究され、計算モデルも提示されているが、様々な種類の知識の生成において様々な限界と非効率性のために、意味記憶と宣言的知識に基づいて形成された意味知識に限られており、様々な手続き的および条件的知識を説明するのに多くの限界がある。 知識生成のための適切なモデルを提供することの重要性、特に人間の認知機能の改善や知的な機械の構築において、知識生成における既存のモデルの改善、あるいはより包括的なモデルの提供は、非常に重要である。 現在の研究では、脳の自由エネルギー原理に基づいて、3種類の宣言的、手続き的、条件的知識を生成するモデルが提案されている。 様々な種類の知識を説明する一方で、このモデルは確率論的数学と行動知覚過程(アクティブ推論)に基づいて刺激から概念を計算・生成することができる。 提案モデルは教師なし学習であり,異なる刺激の組み合わせを生成モデルとして利用することで,教師なし刺激の新たな概念を創出することができる。 このモデルでは、手続き的および条件的知識の生成に能動推論プロセスを使用し、認知プロセスを用いて宣言的知識を生成する。

関連論文リスト

• Improving Molecule Generation and Drug Discovery with a Knowledge-enhanced Generative Model [33.38582292895673]
  我々はKARLと呼ばれる知識強化型生成モデルのためのフレームワークを開発する。 意味的整合性を保ちながら知識グラフの機能を拡張し、このコンテキスト情報を生成フレームワークに組み込む。 KARLは、非条件およびターゲット生成タスクの両方において、最先端の生成モデルより優れている。
  論文  参考訳（メタデータ） (2024-02-13T20:58:36Z)
• 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)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning [27.841725567976315]
  本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。 このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。 モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
  論文  参考訳（メタデータ） (2022-03-30T17:01:59Z)
• On the Evolution of Neuron Communities in a Deep Learning Architecture [0.7106986689736827]
  本稿では,ディープラーニングに基づく分類モデルのニューロン活性化パターンについて検討する。 コミュニティの品質(モジュラリティ)とエントロピーの両方が、ディープラーニングモデルのパフォーマンスと密接に関連していることを示す。
  論文  参考訳（メタデータ） (2021-06-08T21:09:55Z)
• 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)
• Towards a Universal Continuous Knowledge Base [49.95342223987143]
  複数のニューラルネットワークからインポートされた知識を格納できる継続的知識基盤を構築する方法を提案する。 テキスト分類実験は有望な結果を示す。 我々は複数のモデルから知識ベースに知識をインポートし、そこから融合した知識を単一のモデルにエクスポートする。
  論文  参考訳（メタデータ） (2020-12-25T12:27:44Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)
• Generating new concepts with hybrid neuro-symbolic models [22.336243882030026]
  人間の概念的知識は、新しいが高度に構造化された概念を生成する能力を支持する。 ある伝統は構造化された知識を強調し、概念は直感的な理論に埋め込まれるか、複雑な記号的な知識構造に組織化されている。 第二の伝統は統計的知識を強調し、概念的知識はニューラルネットワークやその他の統計モデルの訓練によって得られたリッチな相関構造から生まれたものと見なしている。
  論文  参考訳（メタデータ） (2020-03-19T18:45:56Z)

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。