論文の概要: How Metacognitive Architectures Remember Their Own Thoughts: A Systematic Review

• arxiv url: http://arxiv.org/abs/2503.13467v1
• Date: Fri, 28 Feb 2025 08:48:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-23 07:08:02.800144
• Title: How Metacognitive Architectures Remember Their Own Thoughts: A Systematic Review
• Title（参考訳）: メタ認知アーキテクチャはどのようにして自分の考えを思い出すか:システムレビュー
• Authors: Robin Nolte, Mihai Pomarlan, Ayden Janssen, Daniel Beßler, Kamyar Javanmardi, Sascha Jongebloed, Robert Porzel, John Bateman, Michael Beetz, Rainer Malaka,
• Abstract要約: 計算メタ認知アーキテクチャ(CMA)がどのようにしてメタ認知経験をモデル化し、保存し、記憶し、処理するかをレビューする。 基礎となる心理学理論から収集データの内容と構造、使用するアルゴリズムや評価結果まで、さまざまな側面を考察する。
• 参考スコア（独自算出の注目度）: 16.35521789216079
• License:
• Abstract: Inspired by human cognition, metacognition has gained significant attention for its potential to enhance autonomy, adaptability, and robust learning in artificial agents. Yet research on Computational Metacognitive Architectures (CMAs) remains fragmented: diverse theories, terminologies, and design choices have led to disjointed developments and limited comparability across systems. Existing overviews and surveys often remain at a broad, conceptual level, making it difficult to synthesize deeper insights into the underlying algorithms and representations, and their respective success. We address this gap by performing an explorative systematic review of how CMAs model, store, remember and process their metacognitive experiences, one of Flavell's (1979) three foundational components of metacognition. Following this organizing principle, we identify 35 CMAs that feature episodic introspective data ranging from symbolic event traces to sub-symbolic arousal metrics. We consider different aspects - ranging from the underlying psychological theories to the content and structure of collected data, to the algorithms used and evaluation results - and derive a unifying perspective that allows us to compare in depth how different Computational Metacognitive Architectures (CMAs) leverage metacognitive experiences for tasks such as error diagnosis, self-repair, and goal-driven learning. Our findings highlight both the promise of metacognitive experiences - in boosting adaptability, explainability, and overall system performance - and the persistent lack of shared standards or evaluation benchmarks.
• Abstract（参考訳）: 人間の認知にインスパイアされたメタ認知は、自律性、適応性、そして人工エージェントの堅牢な学習を促進する可能性において、大きな注目を集めている。 しかし、計算メタ認知アーキテクチャ(CMAs)の研究は断片的であり、様々な理論、用語、設計の選択肢が、不整合な発展とシステム間の互換性の制限に繋がった。 既存の概要と調査は広範で概念的なレベルに留まり、基礎となるアルゴリズムや表現の深い洞察とそれぞれの成功を合成することは困難である。 CMAがメタ認知体験をどのようにモデル化し、保存し、記憶し、処理するかを、爆発的に体系的に検証することで、このギャップに対処する。 この組織化原則に従って,象徴的事象トレースからサブシンボル的覚醒指標まで,エピソード的内観データを特徴付ける35個のCMAを同定した。 我々は、基礎となる心理学的理論から、収集されたデータの内容や構造、使用されるアルゴリズムや評価結果まで、さまざまな側面について検討し、異なる計算メタ認知アーキテクチャ(CMAs)が、エラー診断、自己修復、目標駆動学習といったタスクに対して、メタ認知体験をどのように活用するかを深く比較できる統一的な視点を導出します。 我々の発見はメタ認知的体験の約束 ― 適応性、説明可能性、システム全体のパフォーマンスを高めること ― と、共有標準や評価ベンチマークの欠如を浮き彫りにしている。

関連論文リスト

• Enhancing Cognitive Diagnosis by Modeling Learner Cognitive Structure State [3.0103051895985256]
  理論的には、個人の認知状態は基本的にその認知構造状態と等価である。 学習者の認知構造は、意味のある学習を促進し、学業成績を形作るのに不可欠である。
  論文  参考訳（メタデータ） (2024-12-27T17:41:39Z)
• Blocks as Probes: Dissecting Categorization Ability of Large Multimodal Models [31.47100708645748]
  近年,LMM (Large Multimodal Models) の開発が進んでいる。 我々はComBoと呼ばれる複合ブロックをベースとした新しい、挑戦的で効率的なベンチマークを提案し、このベンチマークは不整合評価フレームワークを提供する。 LMMは、新しいカテゴリーを学習する際に許容できる一般化能力を示すが、多くの点で人間に比べてまだギャップがある。
  論文  参考訳（メタデータ） (2024-09-03T02:55:36Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• OlaGPT: Empowering LLMs With Human-like Problem-Solving Abilities [19.83434949066066]
  本稿では,OlaGPTと呼ばれる新しいインテリジェントなフレームワークを紹介する。 OlaGPTは認知アーキテクチャの枠組みを慎重に研究し、人間の認知の特定の側面をシミュレートすることを提案する。 このフレームワークは、注意、記憶、推論、学習、および対応するスケジューリングと意思決定メカニズムを含む、異なる認知モジュールの近似を含む。
  論文  参考訳（メタデータ） (2023-05-23T09:36:51Z)
• Kernel Based Cognitive Architecture for Autonomous Agents [91.3755431537592]
  本稿では,認知機能構築への進化的アプローチについて考察する。 本稿では,シンボル創発問題に基づくエージェントの進化を保証する認知アーキテクチャについて考察する。
  論文  参考訳（メタデータ） (2022-07-02T12:41:32Z)
• Computational Metacognition [2.0552049801885746]
  計算メタ認知は、統合された人工システムにおける高次推論に対する認知システムの観点から表される。 本稿では,メタレベルの目標操作と学習によって認識を変化させることで,計算メタ認知がパフォーマンスを向上することを示す。
  論文  参考訳（メタデータ） (2022-01-30T17:34:53Z)
• Confounder Identification-free Causal Visual Feature Learning [84.28462256571822]
  本稿では,創始者を特定する必要性を排除した,創始者同定自由因果視覚特徴学習(CICF)手法を提案する。 CICFは、フロントドア基準に基づいて異なるサンプル間の介入をモデル化し、インスタンスレベルの介入に対するグローバルスコープ干渉効果を近似する。 我々は,CICFと一般的なメタラーニング戦略MAMLの関係を明らかにするとともに,MAMLが理論的観点から機能する理由を解釈する。
  論文  参考訳（メタデータ） (2021-11-26T10:57:47Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• CogME: A Cognition-Inspired Multi-Dimensional Evaluation Metric for Story Understanding [19.113385429326808]
  本稿では,物語理解に着目したAIモデルを対象とした認知型多次元評価指標であるCogMEを紹介する。 我々は,タスクの性質を理解することに基づくメトリクスの必要性を論じ,人間の認知過程と密接に整合するように設計されている。 このアプローチは、従来の全体的なスコアを超えて洞察を提供し、より高い認知機能をターゲットにしたより洗練されたAI開発のための道を開く。
  論文  参考訳（メタデータ） (2021-07-21T02:33:37Z)
• A Minimalist Dataset for Systematic Generalization of Perception, Syntax, and Semantics [131.93113552146195]
  我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。 HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。 我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
  論文  参考訳（メタデータ） (2021-03-02T01:32:54Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。