Sep, 2007

发现的简单算法原则、主观美感、选择性关注、好奇心和创造力

PDF
TL;DR通过奖励能够改善日益增大的数据的主观压缩性的普通增强学习程序的行动，可以自然而然地在计算机上实现所有上述内容，并且艺术家、舞者、音乐家、纯数学家的 “创造性” 可以被视为这一原则的副产品。
intelligent agentscompression algorithmcuriosity drivediscoverycreativity
发现论文，激发创造
  • 压缩进展驱动：一个简单的原则解释了主观美、新奇、惊喜、趣味、注意力、好奇心、创造力、艺术、科学、音乐、笑话的必要方面

    本文分析了数据在某些自我改进但计算能力受限的主体中变得临时有趣的原因，并探讨了好奇心驱使人类、数学家、艺术家、舞蹈家、喜剧演员和人工智能等进行探索的动机。

    Dec, 2008

  • 关系神经期望极大化：无监督发现对象及其交互

    本文提出一种无监督的学习方法，利用先验知识模拟人类感知的组成性质，从视觉图像中发现对象并建模它们之间的物理交互，具有优秀的计算效率和建模能力，能够处理遮挡和推广到不同数量的对象场景。

    Feb, 2018

  • 从心理好奇到人工好奇：人工智能任务中基于好奇心的学习

    本文综述了心理好奇心对于人类智能的重要作用，阐述了人工好奇心与人类认知发展的联系及其应用场景，并对强化学习、推荐系统和分类方法等领域中已有的好奇心驱动学习方法进行综述，提出了深入研究的方向和未来的改进工作。

    Jan, 2022

  • 最大熵模型和主观趣味性：二元数据库中平铺的应用

    本文介绍了一种关于主观趣味测量的普遍策略，通过将先前的信息作为对数据的不确定性的概率模型的约束来表示其先前信息，从而使之有意义并实用。同时，使用 MaxEnt 模型来衡量主观趣味测量的各种措施。

    Aug, 2010

  • 元学习好奇算法

    本文认为好奇心是一种进化机制，能够在智能体的一生中鼓励有意义的探索，以暴露它于能够使其获得高报酬的经验。该文提出了一种基于元学习的产生好奇行为的问题，并使用元学习算法将代理人的奖励信号动态调整来解决问题。作者进一步提出使用元算法来扩大其适用性，并将其他构建块（例如缓冲器、最近邻模块和定制丢失函数）与神经网络结合使用。最终，本文提出的两种好奇心算法在图像导航、机器人和其他领域表现优于人类设计的已发表算法。

    Mar, 2020

  • 潜在贝叶斯惊喜驱动下的好奇心驱动探索

    利用人工好奇心提高强化学习系统的探索能力，本文提出了一种利用贝叶斯惊奇度作为衡量模型参数先验和后验之间差异的方法，将其应用于代理模型的潜在空间中，大大降低计算成本，研究表明其对连续任务的环境探索和视频游戏分数的影响要好于当前最先进技术，同时具有对抗随机性环境的鲁棒性。

    Apr, 2021

  • 关于简约和自洽原则在智能出现中的应用

    提出了 “简约性” 和 “自洽性” 两个基本原则，并采用可测量和可计算的方式表述，通过有效高效的计算框架 “压缩闭环转录” 实现模型的视觉数据建模。这将统一理解自主智能系统的广泛家族，并为理解大脑提供框架。

    Jul, 2022

  • 基于大数据的计算创意方法

    数据驱动的计算机创意系统可结合创意领域和愉悦心理物理学数据来源，利用大数据分析技术产生新颖高质量的创意产物，本文以烹饪食谱和菜单为例展示了该方法。

    Nov, 2013

  • 在模拟环境中学习如何学习

    本研究使用深度强化学习技术训练一种好奇心代理以促进物体检测模型在线学习。我们还提出了一种奖励函数，以权衡代理的两个目标：尽快完成训练或尽可能少地进行人工介入，并考虑了 drone 平台的部分物理特性。

    Feb, 2019

  • 发现自然定律的机器学习

    提出一种基于达尔文自然选择原理的计算模型，通过决策树和值函数树重建实体的轨迹，提供了一种通过机器学习学习观测历史数据、发现自然法则的算法模型。

    Mar, 2023