Nov, 2023

开放世界中元特性驱动下的量子学习与基本认知

PDF
TL;DR这篇论文提出了一个开放世界模型和元特征系统，专注于在新旧世界之间的客观特征分布差异的基本识别，并通过元特征的牵引力实现了对新旧世界中学习能力的量子隧穿效应。该模型在学习新知识方面表现出色（以行人重识别数据集为例），最高可达 96.71％的准确度，并获得了类似于人类的探索新知识的能力。
artificial intelligenceopen world problemintrinsic cognitionfeature distributionlearning ability
发现论文，激发创造
  • 自主 AI 代理的自发式开放世界学习

    该论文提出了一个理论框架来推动构建自我发起的开放世界学习（SOL）代理的研究，讨论和解决了在实现完全自主可学习代理方面的挑战，特别是如何自动化地检测未知的情况或新奇情况，并适应或调整代理以从中学习，提高代理的适应能力和任务性能。

    Oct, 2021

  • 开放世界机器学习：回顾与新展望

    综合研究开放环境下机器学习的未知拒绝、新类别发现和类别自适应学习等方面，探讨了当前方法的挑战、原则和限制，以及未来研究的潜在方向。旨在全面介绍新兴的开放环境机器学习范式，帮助研究人员在各自领域构建更强大的人工智能系统，并促进人工通用智能的发展。

    Mar, 2024

  • 通用智能需要重新思考探索

    通过将探索驱动的学习概念性地统一监督学习和强化学习之间的探索驱动学习，我们提出了广义探索问题，以突出不同学习设置之间的关键相似之处和开放研究挑战，广义探索是用于维护开放式学习过程的必要目标。

    Nov, 2022

  • 知识永不足够：朝向基于 Web 辅助的深度开放世界识别

    提出一种基于深度学习架构的机器人知识动态更新方法，该方法可以在不重新训练整个系统的情况下检测和学习感知对象是否属于系统已知的类别集，并可通过手动标注或网络自动挖掘获得新的类别信息以扩展系统知识。

    Jun, 2019

  • 因果世界模型的内在激励学习

    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

  • 增强可解释性、泛化和鲁棒性的探索性神经方法：连接可信度与开放世界学习

    研究人员通过发展人工智能技术，努力缩小机器智能与人类之间的差距，迫切意识到信任度在无所不在的开放世界中的重要性。本文探讨了一种神经程序，以在单模态和多模态场景下，从设计可解释性、环境福祉任务界面和开放世界识别程序角度增强各种可信赖属性，以及在开放世界多媒体识别场景中观察到的显著性能改进。

    Aug, 2023

  • 开放世界学习及其在产品分类中的应用

    本文提出一种元学习方法来解决开放世界学习中增量学习和未知类别拒绝的问题。该方法只需要训练一个元分类器，而不需要重新训练元分类器或一个新的分类器来涵盖所有老和新类别。实验证明了该方法的有效性。

    Sep, 2018

  • 开放世界中的预见性思维挑战：风险管理

    文章提出了两种针对 AI “感知挑战” 和 “认知挑战” 的开放世界风险管理挑战，以促进研究这些挑战的解决方案，评估和提高 AI 代理人管理开放世界风险所需的预测性思维，从而管理现实世界风险。

    Jun, 2023

  • 证据型主动识别：智能谨慎的开放世界具身化感知

    为了解决识别模块对于意外输入的处理能力不足的问题，我们将主动识别视为一种按步骤的证据收集过程，在证据组合理论的指导下提供逐步的不确定性量化和可靠的预测。此外，本文提出的奖励函数有效地表征了在开放环境中操作时行动的价值，并通过一系列识别和鲁棒性分析的实验，演示了引入不确定性到主动识别以及所提方法的出色性能。

    Nov, 2023

  • 通过进化、可塑性和元 - 元学习学会获取新认知任务

    通过演化得到的具有可塑性连接和神经调节的神经网络可以在自然的神经组织和可塑性系统的自发操作下，通过刺激和奖励独立地获取新的简单认知任务。

    Dec, 2021