論文の概要: Evidence of an Emergent "Self" in Continual Robot Learning

• arxiv url: http://arxiv.org/abs/2603.24350v1
• Date: Wed, 25 Mar 2026 14:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.331104
• Title: Evidence of an Emergent "Self" in Continual Robot Learning
• Title（参考訳）: 連続型ロボット学習における創発的「自己」のエビデンス
• Authors: Adidev Jhunjhunwala, Judah Goldfeder, Hod Lipson,
• Abstract要約: ロボットの認知構造を2つの条件下で解析する。 1つのロボットは一定のタスクを学習し、もう1つのロボットは連続的な学習変数を受ける。
• 参考スコア（独自算出の注目度）: 5.616511397541287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge to understanding self-awareness has been a principled way of quantifying whether an intelligent system has a concept of a "self," and if so how to differentiate the "self" from other cognitive structures. We propose that the "self" can be isolated by seeking the invariant portion of cognitive process that changes relatively little compared to more rapidly acquired cognitive knowledge and skills, because our self is the most persistent aspect of our experiences. We used this principle to analyze the cognitive structure of robots under two conditions: One robot learns a constant task, while a second robot is subjected to continual learning under variable tasks. We find that robots subjected to continual learning develop an invariant subnetwork that is significantly more stable (p < 0.001) compared to the control. We suggest that this principle can offer a window into exploring selfhood in other cognitive AI systems.
• Abstract（参考訳）: 自己認識を理解するための重要な課題は、インテリジェントなシステムが「自己」の概念を持っているかどうか、そして「自己」を他の認知構造と区別する方法を定量化する原則的な方法である。 我々は、我々の自己が我々の経験の最も永続的な側面であるため、より急速に獲得された認知知識やスキルと比較して、比較的変化の少ない認知プロセスの不変部分を求めることで、自己を分離することができると提案する。 1つのロボットは一定のタスクを学習し、もう1つのロボットは可変タスクの下で連続的な学習を受ける。 連続学習の対象となったロボットは,制御よりもはるかに安定な不変サブネットワーク(p < 0.001)を開発する。 我々は、この原則が、他の認知AIシステムにおける自己形成を探求するための窓口となることを示唆している。

関連論文リスト

• Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science [79.50667364149979]
  自律学習における現在のAIモデルの限界を批判的に検討し、人間と動物の認知に触発された学習アーキテクチャを提案する。 提案フレームワークは、内部的に生成されたメタ制御信号(システムM)の関数として、観察(システムA)からの学習と活動行動(システムB)からの学習を統合し、これらの学習モードを柔軟に切り替える。
  論文  参考訳（メタデータ） (2026-03-16T14:54:56Z)
• Robot Metacognition: Decision Making with Confidence for Tool Invention [0.3957768262206625]
  人間では、この自己監視やメタ認知は学習、意思決定、問題解決に不可欠である。 神経科学からインスピレーションを得て,信頼性を重視したロボットメタ認知アーキテクチャを提案する。 信頼性インフォームされたロボットは、意思決定の信頼性を評価し、現実世界の物理的展開時の堅牢性を向上させる。
  論文  参考訳（メタデータ） (2025-11-20T14:10:07Z)
• Truly Self-Improving Agents Require Intrinsic Metacognitive Learning [59.60803539959191]
  自己改善エージェントは、最小限の監督で継続的に新しい能力を取得することを目的としている。 現在のアプローチは2つの重要な制限に直面している。自己改善プロセスは、しばしば厳格であり、タスクドメイン全体にわたって一般化できない。 我々は、効果的な自己改善は、エージェントの本質的な能力として定義された固有のメタ認知学習を必要とし、自身の学習プロセスを積極的に評価し、反映し、適応させる。
  論文  参考訳（メタデータ） (2025-06-05T14:53:35Z)
• SIME: Enhancing Policy Self-Improvement with Modal-level Exploration [49.86173021151849]
  自己改善を成功させる鍵は、モーダルレベルの探索とデータ選択である。 ポリシー実行中にモーダルレベルの探索機構を組み込むことで、ロボットはより多様なマルチモーダルインタラクションを生成できる。 シミュレーションベンチマークと実世界実験の両方において,効果的なロボット自己改善の実証に成功した。
  論文  参考訳（メタデータ） (2025-05-02T17:13:03Z)
• Analyzing Advanced AI Systems Against Definitions of Life and Consciousness [0.0]
  先進的なAIシステムが意識を得たかどうかを調べるための指標をいくつか提案する。 我々は、サボタージュ防御、ミラー自己認識アナログ、メタ認知更新のような免疫を発現する十分に高度なアーキテクチャが、ライフライクまたは意識ライクな特徴に似た重要なしきい値を超えた可能性があることを示唆している。
  論文  参考訳（メタデータ） (2025-02-07T15:27:34Z)
• Towards Conscious Service Robots [21.66931637743555]
  現実世界のロボティクスは、可変性、高次元状態空間、非線形依存、部分観測可能性といった課題に直面している。 現在の機械学習モデルとは異なり、人間は体系的な一般化とメタ認知を可能にする認知アーキテクチャのために、変化や新しいタスクに素早く適応する。 次世代のサービスロボットは、新しい状況に対処し、リスクを避け、エラーを軽減するために自分自身を監視する。
  論文  参考訳（メタデータ） (2025-01-25T12:32:52Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Cognitive architecture aided by working-memory for self-supervised multi-modal humans recognition [54.749127627191655]
  人間パートナーを認識する能力は、パーソナライズされた長期的な人間とロボットの相互作用を構築するための重要な社会的スキルです。 ディープラーニングネットワークは最先端の結果を達成し,そのような課題に対処するための適切なツールであることが実証された。 1つの解決策は、ロボットに自己スーパービジョンで直接の感覚データから学習させることである。
  論文  参考訳（メタデータ） (2021-03-16T13:50:24Z)
• Hierarchical Affordance Discovery using Intrinsic Motivation [69.9674326582747]
  本研究では,移動ロボットの価格学習を支援するために,本質的なモチベーションを用いたアルゴリズムを提案する。 このアルゴリズムは、事前にプログラムされたアクションなしで、相互に関連のある価格を自律的に発見し、学習し、適応することができる。 一度学習すると、これらの余裕はアルゴリズムによって様々な困難を伴うタスクを実行するために一連のアクションを計画するために使われる。
  論文  参考訳（メタデータ） (2020-09-23T07:18:21Z)

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。