Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Modélisation de la cognition en monde ouvert comme synthèse à la demande de modèles probabilistes
Created by
Haebom
Auteur
Lionel Wong, Katherine M. Collins, Lance Ying, Cedegao E. Zhang, Adrian Weller, Tobias Gersternberg, Timothy O'Donnell, Alexander K. Lew, Jacob D. Andreas, Joshua B. Tenenbaum, Tyler Brooke-Wilson
Contour
Cet article explore la capacité des individus à faire des inférences et des prédictions en exploitant des informations pertinentes issues de connaissances générales diverses face à des situations inédites. Nous émettons l'hypothèse que les individus construisent des modèles mentaux sophistiqués adaptés à des situations inédites en combinant des représentations distribuées et symboliques, et proposons un modèle informatique, l'« Architecture de Synthèse de Modèles (ASM), qui implémente cette hypothèse. L'ASM effectue une recherche et une synthèse de modèles basées sur la pertinence globale à l'aide de modèles de langage, et construit un modèle du monde cohérent par programmation probabiliste. Nous évaluons l'ASM à l'aide d'un nouvel ensemble de données d'inférence centré sur une vignette sportive appelée « Modèle Olympique », et constatons que l'ASM capture mieux le jugement humain qu'un modèle de référence utilisant uniquement des modèles de langage. Cela suggère que l'ASM peut être implémentée de manière à refléter la capacité des individus à faire des inférences localement cohérentes sur des variables globalement pertinentes, et suggère une méthode pour comprendre et reproduire le raisonnement humain dans des domaines ouverts.
Takeaways, Limitations
•
Takeaways:
◦
Fournit un aperçu du processus de raisonnement humain consistant à construire des modèles mentaux adaptés à de nouvelles situations grâce à une combinaison de représentations distribuées et symboliques.
◦
Contribue à la mise en œuvre d'un raisonnement ouvert au niveau humain en proposant un nouveau modèle de calcul appelé MSA.
◦
Démontrer l’efficacité de MSA en démontrant des performances améliorées par rapport aux méthodes existantes basées sur des modèles de langage.
◦
Une nouvelle approche pour comprendre et reproduire le raisonnement humain dans des domaines ouverts.
•
Limitations:
◦
L'ensemble de données « Model Olympics » est spécifique à un domaine et nécessite une étude plus approfondie sur la généralisabilité.
◦
Il convient de prendre en compte la complexité et le coût de calcul de l’AMS.
◦
Il se peut qu’il ne couvre pas tous les aspects du raisonnement humain.
◦
Des recherches supplémentaires sont nécessaires sur l’évolutivité de MSA et son applicabilité à diverses situations.
