論文の概要: Don't Forget Imagination!

• arxiv url: http://arxiv.org/abs/2508.06062v1
• Date: Fri, 08 Aug 2025 06:50:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.106222
• Title: Don't Forget Imagination!
• Title（参考訳）: Imagination (複数形 Imaginations)
• Authors: Evgenii E. Vityaev, Andrei Mantsivoda,
• Abstract要約: この論文は、人工知能の次の有望なブレークスルーとして、認知的想像力へのさらなる注意を呼び起こすものである。 ニューラルネットワークのように学習し、確率論的因果関係に基づく数学的モデルに対する新しいアプローチであるセマンティックモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cognitive imagination is a type of imagination that plays a key role in human thinking. It is not a ``picture-in-the-head'' imagination. It is a faculty to mentally visualize coherent and holistic systems of concepts and causal links that serve as semantic contexts for reasoning, decision making and prediction. Our position is that the role of cognitive imagination is still greatly underestimated, and this creates numerous problems and diminishes the current capabilities of AI. For instance, when reasoning, humans rely on imaginary contexts to retrieve background info. They also constantly return to the context for semantic verification that their reasoning is still reasonable. Thus, reasoning without imagination is blind. This paper is a call for greater attention to cognitive imagination as the next promising breakthrough in artificial intelligence. As an instrument for simulating cognitive imagination, we propose semantic models -- a new approach to mathematical models that can learn, like neural networks, and are based on probabilistic causal relationships. Semantic models can simulate cognitive imagination because they ensure the consistency of imaginary contexts and implement a glass-box approach that allows the context to be manipulated as a holistic and coherent system of interrelated facts glued together with causal relations.
• Abstract（参考訳）: 認知的想像力は、人間の思考において重要な役割を果たす想像力の一種である。 これは『顔の絵』の想像力ではない。 それは、推論、意思決定、予測のセマンティックコンテキストとして機能する概念と因果関係のコヒーレントで包括的な体系を精神的に可視化する教員である。 私たちの立場では、認知的想像力の役割はいまだに過小評価されており、これが多くの問題を引き起こし、AIの現在の能力を低下させる。 例えば、推論する際、人間は背景情報を取得するために想像上のコンテキストに依存します。 また、推論が依然として妥当であるというセマンティックな検証のために、常にコンテキストに戻ります。 したがって、想像力のない推論は盲目である。 この論文は、人工知能の次の有望なブレークスルーとして、認知的想像力へのさらなる注意を呼び起こすものである。 認知的想像をシミュレートする手段として、ニューラルネットワークのように学習し、確率論的因果関係に基づく数学的モデルへの新しいアプローチであるセマンティックモデルを提案する。 セマンティックモデル(Semantic model)は、想像的文脈の一貫性を保証し、文脈を因果関係と結びついた相互関係のある事実の全体的かつ一貫性のある体系として操作できるガラスボックスのアプローチを実装するため、認知的想像力をシミュレートすることができる。

関連論文リスト

• Whither symbols in the era of advanced neural networks? [28.417833278000476]
  現代のニューラルネットワークと、それら上に構築された人工知能システムは、同様の能力を持っている、と我々は主張する。 これは、人間の心が使用する認知過程と表現が象徴的であるという議論を弱めている。
  論文  参考訳（メタデータ） (2025-08-07T18:42:55Z)
• DeepEyes: Incentivizing "Thinking with Images" via Reinforcement Learning [11.242852367476015]
  DeepEyesは、エンドツーエンドの強化学習を通じてインセンティブを得た、“イメージで考える”機能を備えたモデルである。 本稿では,ツール・ユース指向のデータ選択機構と報奨戦略を提案する。 DeepEyesは、微粒な認識と推論ベンチマークにおいて、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-05-20T13:48:11Z)
• Visual cognition in multimodal large language models [12.603212933816206]
  近年の進歩は、人間のような認知能力をエミュレートする可能性への関心を再燃させた。 本稿では、直観物理学、因果推論、直観心理学の分野における視覚に基づく大規模言語モデルの現状を評価する。
  論文  参考訳（メタデータ） (2023-11-27T18:58:34Z)
• Minding Language Models' (Lack of) Theory of Mind: A Plug-and-Play Multi-Character Belief Tracker [72.09076317574238]
  ToMは,読解における文字の信念状態を調べるためのプラグアンドプレイ方式である。 ToMは、教師付きベースラインと比較して、配電性能が堅牢でありながら、ゼロオーダー設定でのオフ・ザ・シェルフニューラルネットワーク理論の考え方を強化する。
  論文  参考訳（メタデータ） (2023-06-01T17:24:35Z)
• Imagination-Augmented Natural Language Understanding [71.51687221130925]
  自然言語理解タスクを解決するために,Imagination-Augmented Cross-modal (iACE)を導入する。 iACEは、強力な生成的および事前訓練された視覚・言語モデルから変換された外部知識で視覚的な想像を可能にする。 GLUEとSWAGの実験は、iACEが視覚的に教師付き事前訓練されたモデルよりも一貫した改善を達成していることを示している。
  論文  参考訳（メタデータ） (2022-04-18T19:39:36Z)
• What does it mean to represent? Mental representations as falsifiable memory patterns [8.430851504111585]
  我々は、因果的および遠隔的アプローチは表現の十分な説明を提供していないと論じる。 我々は、どの表現が世界の推論された潜在構造に対応するかという選択肢をスケッチする。 これらの構造は客観的に特定の特性を持つと考えられており、予期せぬ事象の計画、予測、検出を可能にしている。
  論文  参考訳（メタデータ） (2022-03-06T12:52:42Z)
• Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
  本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。 対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-14T14:54:58Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Dark, Beyond Deep: A Paradigm Shift to Cognitive AI with Humanlike Common Sense [142.53911271465344]
  我々は、次世代のAIは、新しいタスクを解決するために、人間のような「暗黒」の常識を取り入れなければならないと論じている。 我々は、人間のような常識を持つ認知AIの5つの中核領域として、機能、物理学、意図、因果性、実用性(FPICU)を識別する。
  論文  参考訳（メタデータ） (2020-04-20T04:07:28Z)

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。