通过赫布学习和自由能最小化的神经模仿实现普通认知模型
本文介绍了 COGnitive Neural GENerative 系统(CogNGen),它是一种认知架构,将两种神经生理学可信的计算模型:预测性处理和高维 / 矢量符号模型相结合。CogNGen 的表现与 ACT-R 和 Spaun/Nengo 相当,为设计能够不断从不同任务学习并模拟人类在更大尺度上表现的代理人奠定了基础。本文在四个迷宫学习任务上测试了 CogNGen,并发现其与深度强化学习模型相当,并在测试记忆的任务上超过了它们的表现。
Mar, 2022
该文章提出了将认知通用模型调整为人工智能领域中的大型生成网络模型的理论框架。通过将通用模型中的模块重组为辅助于中心生产系统的阴影生成系统,可以实现这一目标,该中心生产系统基于阴影生成系统的输出进行高级推理。在通用模型中实现这种创新结构,可以实现认知体系结构和生成神经网络之间无缝的连接。
Jan, 2024
本文介绍了一种基于认知创造力理论的计算模型,旨在实现人造智能代理学习使用和生成易于迁移的表征,并通过梯度强化学习获取目标导向和时间信息的双重记忆系统,以及进行反射推理和融合等认知处理来提高人造智能的足够抽象度,以期在人工通用智能领域迈出更大的步伐。
May, 2022
本论文概述了生物神经网络为灵活认知所需的特征,讨论了神经网络体系结构的系统级通信和重复性以及短期拓扑变化对于机器学习模型的贡献,并说明人工系统中测试这些归纳偏见有助于理解领域通用认知的生物学原则。
Mar, 2023
该综述旨在通过研究神经科学和认知心理学的方法,为人工通用智能的追求做出贡献。尽管深度学习模型在各个领域取得了令人印象深刻的进展,但它们在抽象推理和因果理解方面仍然存在缺点。这些能力应该最终整合到人工智能系统中,以克服数据驱动的限制,并以更加接近人类智能的方式支持决策。本工作是一项纵向综述,试图广泛探索大脑功能的范围,包括从低层生物神经元、尖峰神经网络和神经元集合到更高层的概念,如脑解剖学、向量符号体系结构、认知和分类模型以及认知体系结构。希望这些概念能为人工通用智能的解决方案提供启示。
Jan, 2024
通过研究模型间共同基准的过程,该研究关注以生成 AI 为基础在人工智能模型中建立共同基准的过程,其中以七巧板命名任务作为测试实验,并观察到通过增量反向传播可以提高模型性能。
Nov, 2023