論文の概要: Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior
- arxiv url: http://arxiv.org/abs/2502.20349v2
- Date: Thu, 12 Jun 2025 22:45:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-16 13:34:01.442845
- Title: Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior
- Title（参考訳）: 自然主義計算認知科学 : 自然行動の全範囲を捉える一般化可能なモデルと理論を目指して
- Authors: Wilka Carvalho, Andrew Lampinen,
- Abstract要約: 認知科学はどのようにして、自然の状況や行動の全範囲にまたがる一般化可能な理論を構築することができるのか?
AIの最近の進歩は、自然主義的なデータからの学習が、行動と一般化の質的に異なるパターンを生み出すことを示している。
我々は、AIと認知科学の最近の進歩を統合することで、より自然主義的な現象に関わりやすくなることを示唆している。
- 参考スコア（独自算出の注目度）: 4.298496794225824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: How can cognitive science build generalizable theories that span the full scope of natural situations and behaviors? We argue that progress in Artificial Intelligence (AI) offers timely opportunities for cognitive science to embrace experiments with increasingly naturalistic stimuli, tasks, and behaviors; and computational models that can accommodate these changes. We first review a growing body of research spanning neuroscience, cognitive science, and AI that suggests that incorporating a broader range of naturalistic experimental paradigms, and models that accommodate them, may be necessary to resolve some aspects of natural intelligence and ensure that our theories generalize. First, we review cases from cognitive science and neuroscience where naturalistic paradigms elicit distinct behaviors or engage different processes. We then discuss recent progress in AI that shows that learning from naturalistic data yields qualitatively different patterns of behavior and generalization, and discuss how these findings impact the conclusions we draw from cognitive modeling, and can help yield new hypotheses for the roots of cognitive and neural phenomena. We then suggest that integrating recent progress in AI and cognitive science will enable us to engage with more naturalistic phenomena without giving up experimental control or the pursuit of theoretically grounded understanding. We offer practical guidance on how methodological practices can contribute to cumulative progress in naturalistic computational cognitive science, and illustrate a path towards building computational models that solve the real problems of natural cognition, together with a reductive understanding of the processes and principles by which they do so.
- Abstract（参考訳）: 認知科学はどのようにして、自然の状況や行動の全範囲にまたがる一般化可能な理論を構築することができるのか?
人工知能(AI)の進歩は、認知科学にとって、ますます自然主義的な刺激、タスク、行動を伴う実験を取り入れるタイムリーな機会を提供する。
我々はまず、神経科学、認知科学、AIにまたがる成長する研究の分野をレビューし、より広範な自然主義的な実験パラダイムとそれに対応するモデルを導入することは、自然知性のいくつかの側面を解決し、我々の理論が一般化されることを保証するために必要かもしれないことを示唆した。
まず、認知科学と神経科学のケースをレビューし、自然主義的パラダイムが異なる行動を引き起こすか、異なるプロセスにかかわる。
次に、自然主義的データからの学習が、行動と一般化の質的に異なるパターンをもたらすことを示すAIの最近の進歩について議論し、これらの発見が認知モデルから引き出された結論にどのように影響するかを議論し、認知と神経現象のルーツに対する新たな仮説を得るのに役立ちます。
そして、AIと認知科学の最近の進歩を統合することで、実験的な制御を諦めたり、理論的に根拠づけられた理解を追求することなく、より自然主義的な現象に関わりやすくなることを提案します。
本稿では,自然主義的認知科学における方法論的実践が累積的な進歩にどのように貢献するかについて実践的なガイダンスを提供し,自然認識の真の問題を解決するための計算モデルの構築への道筋と,それらが行うプロセスや原則の再現的理解について述べる。
関連論文リスト
- Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。
AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。
これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
論文 参考訳（メタデータ） (2025-03-28T14:00:27Z) - World Models in Artificial Intelligence: Sensing, Learning, and Reasoning Like a Child [10.183372891207966]
世界モデルは人工知能(AI)が成果を予測し、その環境を判断し、意思決定を導くのに役立つ。
我々は6つの重要な研究分野、物理情報学習、ニューロシンボリックラーニング、継続学習、因果推論、ヒューマン・イン・ザ・ループAI、そして責任あるAIを、AIの真理化を可能にする上で不可欠なものとして強調する。
論文 参考訳（メタデータ） (2025-03-19T12:50:40Z) - 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) - Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。
提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。
提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
論文 参考訳（メタデータ） (2024-07-05T14:11:28Z) - 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) - Advancing Perception in Artificial Intelligence through Principles of
Cognitive Science [6.637438611344584]
我々は、周囲の信号を入力として取り、それを処理して環境を理解する、知覚の認知機能に焦点を当てる。
我々は、認知科学にインスパイアされたAIシステムを構築するために、AIに一連の方法を提案する。
論文 参考訳（メタデータ） (2023-10-13T01:21:55Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳（メタデータ） (2023-07-09T21:16:56Z) - Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。
本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。
これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文 参考訳（メタデータ） (2023-03-24T13:24:41Z) - World Models and Predictive Coding for Cognitive and Developmental
Robotics: Frontiers and Challenges [51.92834011423463]
我々は世界モデルと予測符号化の2つの概念に焦点を当てる。
神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
論文 参考訳（メタデータ） (2023-01-14T06:38:14Z) - 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) - Morphological Computation and Learning to Learn In Natural Intelligent
Systems And AI [2.487445341407889]
深層学習のアルゴリズムは、脳機能に関する私たちの不完全な知識にもかかわらず、自然、特に人間の脳からインスピレーションを受けています。
問題は、開発段階での計算的性質からインスピレーションを得られることは、ディープラーニングに何をもたらすのか、そして機械学習におけるモデルと実験が、神経科学と認知科学の研究を動機づけ、正当化し、導くことができるのかである。
論文 参考訳（メタデータ） (2020-04-05T20:11:42Z)
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。