論文の概要: Optimisation Is Not What You Need
- arxiv url: http://arxiv.org/abs/2507.03045v1
- Date: Thu, 03 Jul 2025 08:50:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.555268
- Title: Optimisation Is Not What You Need
- Title（参考訳）: 最適化は必要ではない
- Authors: Alfredo Ibias,
- Abstract要約: 最適化手法は、それらが真の人工認知を阻害するいくつかの根本的な欠陥を共有していることを示す。
特に、その分野は、破滅的な忘れを、そのような認知を発達させる根本的な問題として認識している。
本稿は,この問題が最適化法固有のものであることを正式に証明し,最適化問題として人工知能問題を解こうとするアプローチを常に制限する。
- 参考スコア（独自算出の注目度）: 4.13365552362244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Artificial Intelligence field has focused on developing optimisation methods to solve multiple problems, specifically problems that we thought to be only solvable through cognition. The obtained results have been outstanding, being able to even surpass the Turing Test. However, we have found that these optimisation methods share some fundamental flaws that impede them to become a true artificial cognition. Specifically, the field have identified catastrophic forgetting as a fundamental problem to develop such cognition. This paper formally proves that this problem is inherent to optimisation methods, and as such it will always limit approaches that try to solve the Artificial General Intelligence problem as an optimisation problem. Additionally, it addresses the problem of overfitting and discuss about other smaller problems that optimisation methods pose. Finally, it empirically shows how world-modelling methods avoid suffering from either problem. As a conclusion, the field of Artificial Intelligence needs to look outside the machine learning field to find methods capable of developing an artificial cognition.
- Abstract（参考訳）: 人工知能分野は、複数の問題を解決する最適化手法の開発に注力してきた。
得られた結果は卓越しており、チューリングテストを超えている。
しかし、これらの最適化手法は、それらが真の人工認知を阻害するいくつかの根本的な欠陥を共有していることがわかった。
特に、その分野は、破滅的な忘れを、そのような認知を発達させる根本的な問題として認識している。
本稿は,この問題が最適化法固有のものであることを正式に証明し,最適化問題として人工知能問題を解こうとするアプローチを常に制限する。
さらに、最適化手法がもたらす他の小さな問題についても、オーバーフィッティングの問題に対処し、議論する。
最後に、世界モデリング手法がどちらの問題に苦しむことを避ける方法を実証的に示す。
結論として、人工知能の分野は、人工知能の認知を発達させる方法を見つけるために、機械学習分野の外を見る必要がある。
関連論文リスト
- Thoughts Are All Over the Place: On the Underthinking of o1-Like LLMs [86.79757571440082]
OpenAIのo1のような大規模言語モデル(LLM)は複雑な推論タスクにおいて顕著な能力を示している。
我々は、o1-like LLMがしばしば異なる理性的思考を切り替える、という現象を特定する。
本稿では,思考間の早期移行を回避できる思考切替ペナルティTIPを用いた復号戦略を提案する。
論文 参考訳（メタデータ） (2025-01-30T18:58:18Z) - Reasoning Paths Optimization: Learning to Reason and Explore From Diverse Paths [69.39559168050923]
本稿では,多様な経路から学習の推論と探索を可能にするReasoning Paths Optimization (RPO)を紹介する。
提案手法は,各推論ステップにおいて好意的な分岐を奨励し,好ましくない分岐を罰し,モデル全体の問題解決性能を高める。
我々は,数語問題や理科ベースの試験問題など,多段階の推論タスクに焦点をあてる。
論文 参考訳（メタデータ） (2024-10-07T06:37:25Z) - Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2024-09-07T19:52:14Z) - Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。
これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。
この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
論文 参考訳（メタデータ） (2024-03-18T14:55:45Z) - Self-Polish: Enhance Reasoning in Large Language Models via Problem Refinement [50.62461749446111]
Self-Polish(SP)は、与えられた問題を徐々に洗練し、より理解しやすく解けるように誘導することによって、モデルの推論を促進する新しい方法である。
SPは、CoTのような答え/推論サイドの他のすべてのプロンプトメソッドであり、最先端の技術とのシームレスな統合を可能にし、さらなる改善を可能にします。
論文 参考訳（メタデータ） (2023-05-23T19:58:30Z) - Computability of Optimizers [71.84486326350338]
様々な状況において、チューリングマシンでは実現不可能であり、結果としてデジタルコンピュータでは実現不可能であることを示す。
我々は、人工知能、金融数学、情報理論など、非常に異なる分野からよく知られた様々な問題に対して、そのような結果を証明している。
論文 参考訳（メタデータ） (2023-01-15T17:41:41Z) - Exploring the Nuances of Designing (with/for) Artificial Intelligence [0.0]
我々は,AIの設計において,アルゴリズムと社会の問題に同時に対処する手段として,インフラストラクチャの構築について検討する。
アルゴリズム的なソリューションも、純粋にヒューマニズム的なソリューションも、AIの狭い状態において完全に望ましくない結果をもたらすには十分ではない。
論文 参考訳（メタデータ） (2020-10-22T20:34:35Z) - Nature-Inspired Optimization Algorithms: Challenges and Open Problems [3.7692411550925673]
科学と工学の問題は、複雑な非線形制約の下で最適化問題として定式化することができる。
非常に非線形な問題の解は通常、洗練された最適化アルゴリズムを必要とし、伝統的なアルゴリズムはそのような問題に対処するのに苦労する。
現在のトレンドは、柔軟性と有効性から自然にインスパイアされたアルゴリズムを使用することです。
論文 参考訳（メタデータ） (2020-03-08T13:00:04Z) - Bio-inspired Optimization: metaheuristic algorithms for optimization [0.0]
今日の日時において、現実世界の複雑な問題を解決することは、根本的に重要で重要な課題となっている。
従来の最適化手法は小規模な問題に有効であることが判明した。
現実の大規模な問題では、従来の手法はスケールアップしないか、最適解を得ることができないか、あるいは長時間実行した後で解決策を提示する。
論文 参考訳（メタデータ） (2020-02-24T13:26:34Z) - Boldly Going Where No Prover Has Gone Before [0.0]
自動推論の研究者が直面している最も興味深いゴールは、既存のツールやメソッドで現在解決できない問題を解決することです。
これは明らかで、明らかに元来の考えではないように思われるかもしれませんが、第一の目標として重視することで、新たな光の中で他の目標を調べることができます。
論文 参考訳（メタデータ） (2019-12-30T15:14:10Z)
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。