論文の概要: From Dionysius Emerges Apollo -- Learning Patterns and Abstractions from Perceptual Sequences

• arxiv url: http://arxiv.org/abs/2503.10973v1
• Date: Fri, 14 Mar 2025 00:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:06:31.946124
• Title: From Dionysius Emerges Apollo -- Learning Patterns and Abstractions from Perceptual Sequences
• Title（参考訳）: DionysiusがApolloを創り出す - 知覚シーケンスからパターンと抽象化を学ぶ
• Authors: Shuchen Wu,
• Abstract要約: 感覚ストリームは単純化され、1次元のシーケンスである。 このようなシーケンスを学習する際には、自然にそれらを部品(チャンキングと呼ばれるプロセス)に分割します。 私はチャンクを学習し、シーケンスをチャンクごとに解析するモデルを開発しました。
• 参考スコア（独自算出の注目度）: 1.3597551064547502
• License:
• Abstract: Cognition swiftly breaks high-dimensional sensory streams into familiar parts and uncovers their relations. Why do structures emerge, and how do they enable learning, generalization, and prediction? What computational principles underlie this core aspect of perception and intelligence? A sensory stream, simplified, is a one-dimensional sequence. In learning such sequences, we naturally segment them into parts -- a process known as chunking. In the first project, I investigated factors influencing chunking in a serial reaction time task and showed that humans adapt to underlying chunks while balancing speed and accuracy. Building on this, I developed models that learn chunks and parse sequences chunk by chunk. Normatively, I proposed chunking as a rational strategy for discovering recurring patterns and nested hierarchies, enabling efficient sequence factorization. Learned chunks serve as reusable primitives for transfer, composition, and mental simulation -- letting the model compose the new from the known. I demonstrated this model's ability to learn hierarchies in single and multi-dimensional sequences and highlighted its utility for unsupervised pattern discovery. The second part moves from concrete to abstract sequences. I taxonomized abstract motifs and examined their role in sequence memory. Behavioral evidence suggests that humans exploit pattern redundancies for compression and transfer. I proposed a non-parametric hierarchical variable model that learns both chunks and abstract variables, uncovering invariant symbolic patterns. I showed its similarity to human learning and compared it to large language models. Taken together, this thesis suggests that chunking and abstraction as simple computational principles enable structured knowledge acquisition in hierarchically organized sequences, from simple to complex, concrete to abstract.
• Abstract（参考訳）: 認知は素早く高次元の知覚ストリームをよく知られた部分に分解し、それらの関係を明らかにする。 なぜ構造が出現し、どのように学習、一般化、予測を可能にするのか? どんな計算原理が知覚と知性のこの中核的な側面を支えているのか? 感覚ストリームは単純化され、1次元のシーケンスである。 このようなシーケンスを学習する際に、自然にチャンキング(チャンキング)と呼ばれるプロセスに分割する。最初のプロジェクトでは、連続的な反応時間タスクにおいてチャンキングに影響を及ぼす要因を調査し、スピードと精度のバランスを保ちながら、人間が基盤となるチャンクに適応することを示しました。これに基づいて、チャンクとパースシーケンスをチャンク単位で学習するモデルを開発しました。特に、私は、繰り返しパターンやネストした階層を発見するための合理的戦略としてチャンクを提案し、効率的なシークファクター化を可能にしました。学習チャンクは、トランスファー、コンポジション、メンタルシミュレーションのプリミティブなプリミティブとして機能します。 このモデルで1次元および多次元のシーケンスで階層を学習できることを実証し、教師なしパターン発見の実用性を強調した。 第2部は、コンクリートから抽象的なシーケンスへと移行する。 私は抽象的なモチーフを分類し、シーケンス記憶におけるそれらの役割を調べた。 行動的証拠は、人間が圧縮と伝達のためにパターンの冗長性を利用することを示唆している。 チャンクと抽象変数の両方を学習し、不変なシンボルパターンを明らかにする非パラメトリック階層変数モデルを提案した。 人間の学習と類似点を示し、それを大きな言語モデルと比較しました。 この論文をまとめると、単純な計算原理としてのチャンキングと抽象は、単純から具体的、抽象まで、階層的に整理されたシーケンスで構造化された知識の獲得を可能にすることを示唆している。

関連論文リスト

• Building, Reusing, and Generalizing Abstract Representations from Concrete Sequences [51.965994405124455]
  人間は異なるシーケンスで抽象パターンを学習し、無関係な詳細をフィルタリングする。 多くのシーケンス学習モデルには抽象化能力がないため、メモリの非効率性や転送の低さにつながる。 非パラメトリック階層型変数学習モデル(HVM)を導入し、シーケンスからチャンクを学習し、文脈的に類似したチャンクを変数として抽象化する。
  論文  参考訳（メタデータ） (2024-10-27T18:13:07Z)
• Clustering and Alignment: Understanding the Training Dynamics in Modular Addition [0.0]
  モジュラ付加問題に対する2次元埋め込みを用いた小型ニューラルネットワークのトレーニング力学について検討する。 これらの構造を考察し,2組の埋め込みで示される2つの単純な傾向の結果,それらの出現を説明する。 セットアップにおける体重減少の役割について議論し、正規化とトレーニングのダイナミクスを結びつける新しいメカニズムを明らかにします。
  論文  参考訳（メタデータ） (2024-08-18T09:09:39Z)
• How Deep Networks Learn Sparse and Hierarchical Data: the Sparse Random Hierarchy Model [4.215221129670858]
  生成的階層的データモデルに空間性を導入することで、スムーズな変換の離散バージョンである空間変換に対する非感受性を得ることを示す。 SRHMを学習するCNNのサンプルの複雑さが、タスクのスパーシリティと階層構造の両方に依存するかを定量化する。
  論文  参考訳（メタデータ） (2024-04-16T17:01:27Z)
• Neural Causal Abstractions [63.21695740637627]
  我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。 本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。 本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
  論文  参考訳（メタデータ） (2024-01-05T02:00:27Z)
• A Brain-Inspired Sequence Learning Model based on a Logic [6.653734987585243]
  本稿では,非公理論理で解釈可能なシーケンス学習モデルの設計と試験を行う。 その結果、モデルは異なるレベルの難易度でうまく機能することがわかった。
  論文  参考訳（メタデータ） (2023-08-24T01:01:41Z)
• A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data [77.34726150561087]
  本稿では,複雑な感覚データから階層構造を生成するための記号のみの手法を提案する。 このアプローチは、概念や概念の創始の鍵としてのバテソンの差異の概念に基づいている。 このモデルは、トレーニングなしでかなりリッチだが人間に読まれる概念表現を生成することができる。
  論文  参考訳（メタデータ） (2023-07-16T15:59:13Z)
• How Do Transformers Learn Topic Structure: Towards a Mechanistic Understanding [56.222097640468306]
  我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する 数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
  論文  参考訳（メタデータ） (2023-03-07T21:42:17Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Learning abstract structure for drawing by efficient motor program induction [52.13961975752941]
  我々は、人間が構造化された事前知識を迅速に取得する方法を研究するために、自然主義的な描画タスクを開発する。 一般化を支援する抽象的な描画手順を自然に学習していることが示される。 本稿では,これらの再利用可能な描画プログラムを学習者がどのように発見できるかのモデルを提案する。
  論文  参考訳（メタデータ） (2020-08-08T13:31:14Z)
• Random thoughts about Complexity, Data and Models [0.0]
  データサイエンスと機械学習は、過去10年間強く成長してきた。 我々は「データとモデル」の微妙な関係について検討する。 アルゴリズム複雑性とアルゴリズム学習の関係性を評価する上での鍵となる課題は、圧縮性、決定性、予測可能性の概念である。
  論文  参考訳（メタデータ） (2020-04-16T14:27:22Z)

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。