生成神经网络中的物理知识获取
通过分析深度线性网络中的非线性动态,我们找到了确切的解决方案,从而解释了语义认知中许多不同现象的普遍性,包括概念的分层差异、语义错觉、项目典型性和类别一致性的出现,以及发展过程中归纳投射模式的变化,以及跨物种的神经表示中语义相似性的保持。
Oct, 2018
本研究以人类物理推理过程为模板,建立了一种神经网络架构,旨在通过表示学习的方式,使神经网络在实验数据的基础上为科学发现提供更具一般性的工具,并在玩具实例中应用该方法,得出相应结论。
Jul, 2018
通过训练神经网络从一个孩子的视觉经验中学习,我们研究了基于本能的约束和基于经验的影响对于孩子内部模型的形成的影响,并发现在没有强烈的归纳偏见的情况下,孩子的代表性样本足以从其中获得广泛有用的高级视觉表示。
May, 2023
在现代架构上,使用随机梯度下降算法训练模型可以更好地了解抽象概念,但仍然需要不断交互和验证以理解物理概念,并通过控制数据采集过程获得积极的观察结果。然而,使用有限的资源和时间将物理实体绑定到数字身份是解决信号到符号障碍问题的一个潜在方法,但需要不断的验证和咨询。
Jul, 2022
本研究使用违反期望的技术(VOE)将儿童物理学习知识测试方法应用于人工深度学习系统,探讨相关图像化物理概念从感官数据中提取的方法,并介绍了一个受发展心理学启发的探测数据集。结果表明 VOE 技术可以为未来的物理学知识研究提供有用的工具。
Apr, 2018
用深度学习方法建模复杂现象,以海表温度预测为例,展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型,并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。
Nov, 2017
本文旨在探讨深度神经网络(DNNs)的学习轨迹与其在广泛使用的梯度下降和随机梯度下降算法优化时的相应泛化能力之间的关系。作者构建了线性逼近函数以建立轨迹信息模型,并基于其提出一种新的、基于更丰富轨迹信息的泛化界限。实验结果表明,所提出的方法能够有效地捕捉到不同训练步骤、学习率和标签噪声水平下的泛化趋势。
Apr, 2023
研究探索通过推断环境因果结构以收集相关干预数据为手段,建立捕捉传感器运动交互背后真实物理机制的世界模型对于提高深度学习、强化学习、迁移学习和泛化能力至关重要。
Aug, 2022