人工知能

人間の知能はおそらく自然界の自然な遺伝的アルゴリズムの機能であるため、コンピューターで遺伝的アルゴリズムを使用することは人工知能の例ですか？そうでない場合、それらはどのように異なりますか？または、アルゴリズムの規模とそれが何に進化するかに応じて、人工知能を表現しているものとそうでないものがありますか？

11 philosophy  genetic-algorithms  terminology 

データのノイズを増やすと、ネットワークの学習能力が向上しますか？違いはありますか、それとも解決する問題に依存していますか？汎化プロセス全体にどのように影響しますか？

11 neural-networks  machine-learning  statistical-ai  generalization 

非常に少数のノードを使用する（20ノードはハードリミットではない）重要な問題を解決する（> = 80％の精度で）ニューラルネットワークが存在するかどうかを知りたいです。ニューラルネットワークのサイズに関する直感を開発したいと思います。

11 neural-networks 

機械学習に取り組みたい学生として、自分の研究を開始する方法と、それをフォローして最新の状態に保つ方法を知りたいです。たとえば、RLとMABの問題に積極的に取り組みますが、これらのトピックに関する膨大な文献があります。さらに、これらのトピックは、AIやML、オペレーションリサーチ、制御工学、統計など、さまざまなコミュニティの研究者によって研究されています。また、これらのトピックについては、毎週いくつかの論文が公開されているため、追跡するのが非常に難しいと思います。 誰かがこれらのトピックの研究を開始するためのロードマップを提案し、それに従って、新しい出版された論文をどのように選択して研究すべきかを教えていただければありがたいです。最後に、RLとMABの問題の新しい傾向を知りたいと思います。

11 machine-learning  reinforcement-learning  research  markov-decision-process 

ホップフィールドネットワークは、ベクターを保存し、ノイズの多いバージョンからベクターを取得できます。これらは、すべてのニューロンがベクトル値に等しく設定されている場合にエネルギー関数を最小化するために重みを設定し、そのノイズバージョンを入力として使用してベクトルを取得し、ネットがエネルギー最小値に落ち着くようにします。 ネットが最も近い最小値に落ち着くという保証がないという事実などの問題は残しておきます–問題は最終的にはボルツマンマシンで解決され、最終的には逆伝播で解決されます–ブレークスルーは、それらが抽象的な表現を持つための出発点だったということです。同じドキュメントの2つのバージョンは同じ状態を呼び起こし、ネットワークでは同じ状態で表されます。 ホップフィールド自身が1982年の論文で発表したように、創発的集団計算能力を持つニューラルネットワークと物理システム 現在のモデリングは、エンティティまたはゲシュタルトがその特徴のコレクションを表す入力に基づいてどのように記憶または分類されるかに関連している可能性があります。 一方、ディープラーニングの画期的な進歩は、入力の複数の階層表現を構築する機能であり、最終的にAI開業医の生活を容易にし、機能エンジニアリングを簡素化することにつながりました。（例えば、表現学習：レビューと新しい展望、ベンジオ、クールビル、ビンセントを参照）。 概念的な観点から、私はディープラーニングをホップフィールドネットの一般化と見なすことができると信じています。単一の表現から表現の階層までです。 計算/トポロジーの観点からもそうですか？「単純な」Hopfieldネットワークの状態（2ステートニューロン、無向、エネルギー関数）を考慮しない場合、ネットワークの各層をHopfieldネットワークとして、プロセス全体を以前に記憶されたGestaltの順次抽出、および再編成として見ることができます。これらのゲシュタルト？

11 deep-learning  topology 

Trusted Region Policy Optimization（TRPO）とProximal Policy Optimization（PPO）は、2つの最先端のポリシーグラディエントアルゴリズムです。 単一の連続アクションを使用する場合、通常、損失関数に確率分布（たとえば、ガウス分布）を使用します。大まかなバージョンは次のとおりです。 L （θ ）= ログ（P（a1））A 、L（θ）=ログ⁡（P（a1））あ、L(\theta) = \log(P(a_1)) A, どこああA報酬の利点である、P（a1）P（a1）P(a_1)によって特徴付けられるμμ\muとσ2σ2\sigma^2ここでは振り子の環境にいるかのように、ニューラルネットワークから出てくるもの：https://github.com/leomzhong/DeepReinforcementLearningCourse/blob/69e573cd88faec7e9cf900da8eeef08c57dec0f0/hw4 /main.py。 問題は、ポリシーグラディエントを使用した2+連続アクションに関する論文が見つからないことです（Q関数からグラディエントを転送することで別のアプローチを使用する俳優批評家のメソッドではありません）。 LunarLander環境で2つの連続アクションにTRPOを使用してこれを行う方法を知っていますか？ 次のアプローチは、政策勾配損失関数に対して正しいですか？ L （θ ）= （logP（a）+ ログP（a2））∗ AL（θ）=（ログ⁡P（a）+ログ⁡P（a2））∗あL(\theta) = (\log P(a_) + \log P(a_2) )*A

11 deep-learning  reinforcement-learning  trpo 

ニューラルネットワークを実行するように自分のシステムをプログラムしようとしています。必要なノードの数を減らすために、入力の回転を同等に扱うようにすることが提案されました。 私のネットワークは、グリッド内のすべての四角形とその周囲の四角形を調べ、その四角形の出力を与えることにより、コンウェイのライフゲームを学習および予測することを目的としています。入力は9ビットの文字列です。 上記は010 001 111として表されます。 ただし、この形状には他に3つの回転があり、それらはすべて同じ出力を生成します。 私のネットワークトポロジは、入力の中央の正方形の次の状態の9つの入力ノードと1つの出力ノードです。これらの回転をそれぞれ同じようにして、可能な入力の数を元の4分の1に削減するように、隠しレイヤーを構築するにはどうすればよいですか？ 編集： 各回転のフリップもあり、同じ結果が得られます。これらを組み込むと、入力が1/8に削減されます。グライダーの場合、これらの入力をすべて同じように処理することが私の目標です。これは前処理で行う必要がありますか、それともネットワークに組み込むことができますか？

11 neural-networks 

AIでは検索の概念が重要であることがわかりました。このトピックに関してこのウェブサイトに質問がありますが、その理由を直感的に理解することもできます。私はAIの入門コースを行いましたが、これは1学期の半分でしたので、もちろん、AIのすべてのトピックをカバーするのに十分な時間はありませんでしたが、いくつかのAI理論を学ぶことを期待していました（「エージェント"）、しかし私が実際に学んだことは基本的にいくつかの検索アルゴリズムでした。 BFS 均一コスト検索 DFS 反復深化検索 双方向検索 これらの検索アルゴリズムは、目標への残りのパスに関する情報を考慮しないため、通常は「ブラインド」（または「情報なし」）として分類されます。 または次のようなアルゴリズム： ヒューリスティック検索 ベストファーストサーチ あ A * IDA * これは通常、「情報に基づく」検索アルゴリズムのカテゴリに分類されます。これは、目標への残りのパスに関する情報（「ヒューリスティック」または「推定」）を使用するためです。 次に、「高度な」検索アルゴリズムも学習しました（特にTSP問題に適用されます）。これらのアルゴリズムは、建設的（たとえば、最近傍）、ローカル検索（たとえば、2-opt）アルゴリズム、またはメタヒューリスティックなアルゴリズム（たとえば、アリコロニーシステムまたはシミュレーテッドアニーリング）のいずれかです。 また、ゲームに適用されるmin-maxアルゴリズムと、min-maxの「改良された」バージョン、つまりアルファ-ベータプルーニングについても簡単に調査しました。 このコースの後、AIは「愚か」または「よりインテリジェント」に検索することだと感じました。 私の質問は： なぜ1人の教授がAIコースで検索アルゴリズムのみを教えるのですか？長所/短所は何ですか？次の質問はこれに非常に関連しています。 入門コースで教えることができるAIの「検索」以上のものは何ですか？この質問は主観的な答えにつながる可能性がありますが、私は実際にAIが何であるか、それが本当にカバーするトピックを理解しようとしている人の文脈で質問しています。どうやら、残念ながら、周りを読んだ後、これはまだ主観的であるようです。 この種のコースで教えることができるAI理論はありますか？

11 philosophy  search  education 

ブロックチェーン技術を使用してAIを展開する試みはありましたか？ 世界中の多くの場所で同じ共有分散データベースを作成、検証、および保存するAIノードが独立して（ただし、規則の体系化に従って）動作する中央制御点がないAIネットワークの分散例はありますか？

11 multi-agent-systems  blockchain 

ほとんどの問題は1〜2個の非表示レイヤーで解決できると読みました。 2つ以上必要なことをどのようにして知っていますか？どんな種類の問題が必要ですか（例を教えてください）？

11 deep-network  hidden-layers 

この質問は、かなりの数の「非公式な」情報源から生じています。2001、A Space Odyssey、Ex Machinaなどの映画。Destination Void（フランクハーバート）のような本や他の本は、一般的な知性が生き残りたい、さらにはその重要性さえ学びたいと示唆しています。 生存にはいくつかの議論があるかもしれません。最も目立つのは何でしょうか？

11 agi 

私は最近、数学部門で18か月のポスドク職を得ました。それは、私がやりたい研究の種類について、比較的軽い教育義務と多くの自由を持つ立場です。 以前は、確率と組み合わせ論の研究を主に行っていました。しかし、AIなど、アプリケーション指向の作業をもう少し行うことを考えています。（現在のポジションの最後にテニュアトラックポジションを取得できない可能性が十分にあることも考慮されています。他のキャリアの可能性のために少しAIが役立つかもしれません。） 人々が取り組んでいるAIには、どのような数学的な問題がありますか？聞いたところによると、 確定的有限オートマトン 多腕バンディットの問題 モンテカルロツリー検索 コミュニティの検出 他の例はありますか？

11 research  math 

人工知能のいくつかの興味深い神話は何ですか、そしてそれらの背後にある事実は何ですか？

10 philosophy  strong-ai  mythology-of-ai 

シンギュラリティという用語は、主流のメディアで先見の明のあるテクノロジーを説明するためによく使用されます。それは、レイ・カーツワイルによって人気のある本「特異点が近くにあるとき：人間が生物学を超越するとき」（2005）で紹介されました。 カーツワイルは彼の著書で、ナノテクノロジー、コンピューター、遺伝子組み換え、人工知能を含む、人類の潜在的な将来について展望しています。ムーアの法則により、コンピューターが指数関数的に成長し、結果として超知性がもたらされると彼は主張している。 ある技術的特異点は、 AIの開発者によって真剣に取らまたはこの理論は、人気の誇大宣伝のちょうど負荷です何か？

10 philosophy  theory  superintelligence  singularity  mythology-of-ai 

人工知能、人間の知能、またはその他の形式の知能について話すとき、一般的な意味での知能という用語は何を意味するのでしょうか。あなたは何をインテリジェントと呼び、何を否定しますか？つまり、インテリジェンスという用語を最も一般的な方法でどのように定義すればよいのでしょうか。

10 definitions