論文の概要: Arbitrarily Applicable Same/Opposite Relational Responding with NARS

• arxiv url: http://arxiv.org/abs/2505.07079v1
• Date: Sun, 11 May 2025 18:03:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.198672
• Title: Arbitrarily Applicable Same/Opposite Relational Responding with NARS
• Title（参考訳）: NARSによる任意適用可能な同/Oppositeリレーショナル応答
• Authors: Robert Johansson, Patrick Hammer, Tony Lofthouse,
• Abstract要約: 非公理的推論システムにおいて、テクスタル的に適用可能な同/正則リレーショナル応答の出現を示す。 本研究は,心理学の学習にインスパイアされた関係学習機構を,人工知能の枠組みに組み込むことの可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Same/opposite relational responding, a fundamental aspect of human symbolic cognition, allows the flexible generalization of stimulus relationships based on minimal experience. In this study, we demonstrate the emergence of \textit{arbitrarily applicable} same/opposite relational responding within the Non-Axiomatic Reasoning System (NARS), a computational cognitive architecture designed for adaptive reasoning under uncertainty. Specifically, we extend NARS with an implementation of \textit{acquired relations}, enabling the system to explicitly derive both symmetric (mutual entailment) and novel relational combinations (combinatorial entailment) from minimal explicit training in a contextually controlled matching-to-sample (MTS) procedure. Experimental results show that NARS rapidly internalizes explicitly trained relational rules and robustly demonstrates derived relational generalizations based on arbitrary contextual cues. Importantly, derived relational responding in critical test phases inherently combines both mutual and combinatorial entailments, such as deriving same-relations from multiple explicitly trained opposite-relations. Internal confidence metrics illustrate strong internalization of these relational principles, closely paralleling phenomena observed in human relational learning experiments. Our findings underscore the potential for integrating nuanced relational learning mechanisms inspired by learning psychology into artificial general intelligence frameworks, explicitly highlighting the arbitrary and context-sensitive relational capabilities modeled within NARS.
• Abstract（参考訳）: 人間の象徴的認知の基本的な側面である同じ/反対関係応答は、最小限の経験に基づく刺激関係の柔軟な一般化を可能にする。 本研究では,不確実性を考慮した適応推論のための計算認知アーキテクチャであるNon-Axiomatic Reasoning System (NARS) において,同じ/正則関係の出現を実証する。 具体的には、NARS を \textit{acquired relations} の実装で拡張し、文脈的に制御されたマッチング・トゥ・サンプル(MTS)手順における最小限の明示的トレーニングから、対称的(ミューチュアル・エンターメント)と新規なリレーショナル・コンビネーション(コンビナート・エンターメント)の両方を明示的に導出することを可能にする。 実験結果から、NARSは明示的に訓練された関係ルールを迅速に内部化し、任意の文脈に基づく関係の一般化を強固に示すことが明らかとなった。 重要なことは、重要なテストフェーズで応答する派生リレーショナルは、複数の明示的に訓練された反対関係から同じ関係を導出するなど、相互関係と組合せ関係の両方を本質的に組み合わせていることである。 内部信頼度は、人間関係学習実験で観察された現象と密接に平行するこれらの関係原理の強力な内部化を示す。 本研究は,学習心理学にインスパイアされたニュアンス・リレーショナル・ラーニング・メカニズムを人工知能のフレームワークに統合する可能性を明らかにし,NARS内でモデル化された任意の,文脈に敏感なリレーショナル・能力を強調した。

関連論文リスト

• Modeling Arbitrarily Applicable Relational Responding with the Non-Axiomatic Reasoning System: A Machine Psychology Approach [0.0]
  非公理推論システム(NARS)を用いた人工知能フレームワークにおけるAARRモデリングのための新しい理論的アプローチを提案する。 NARSの推論規則とメモリ構造から,AARRのキー特性がどのように現れるかを示す。 その結果、AARRは、適切に設計されたAIシステムによって概念的に捕捉可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-03-01T20:37:11Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Relation-dependent Contrastive Learning with Cluster Sampling for Inductive Relation Prediction [30.404149577013595]
  帰納的関係予測のための関係依存型コントラスト学習(ReCoLe)を導入する。 GNNベースのエンコーダはコントラスト学習によって最適化され、ロングテール関係における良好な性能が保証される。 実験結果から、ReCoLeは一般的に使用される帰納的データセット上で最先端の手法より優れていることが示唆された。
  論文  参考訳（メタデータ） (2022-11-22T13:30:49Z)
• On Neural Architecture Inductive Biases for Relational Tasks [76.18938462270503]
  合成ネットワーク一般化(CoRelNet)と呼ばれる類似度分布スコアに基づく簡単なアーキテクチャを導入する。 単純なアーキテクチャの選択は、分布外一般化において既存のモデルより優れていることが分かる。
  論文  参考訳（メタデータ） (2022-06-09T16:24:01Z)
• HiURE: Hierarchical Exemplar Contrastive Learning for Unsupervised Relation Extraction [60.80849503639896]
  非教師なし関係抽出は、関係範囲や分布に関する事前情報のない自然言語文からエンティティ間の関係を抽出することを目的としている。 本稿では,階層間注目を用いた階層的特徴空間から階層的信号を導出する機能を持つ,HiUREという新しいコントラスト学習フレームワークを提案する。 2つの公開データセットの実験結果は、最先端モデルと比較した場合の教師なし関係抽出におけるHiUREの有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2022-05-04T17:56:48Z)
• Complementary Structure-Learning Neural Networks for Relational Reasoning [3.528645587678267]
  海馬におけるパターン分離は,新しい環境下での迅速な学習を可能にすることを示す。 ネオコルテックスのゆっくりとした学習は、よく学習された環境から体系的な構造を抽出するために小さな重量変化を蓄積する。
  論文  参考訳（メタデータ） (2021-05-19T06:25:21Z)

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。