人工知能

シンプルなおもちゃのゲームを書いていますが、その上にディープニューラルネットワークをトレーニングするつもりです。ゲームのルールはおおよそ次のとおりです。 ゲームには、六角形のセルで構成されるボードがあります。 両方のプレイヤーは、ボード上で自由に配置することを選択できるピースの同じコレクションを持っています。 互いに位置と構成に応じて、異なるタイプのピースを配置するとポイントが与えられます（または相手のポイントが減ります）。 より多くのポイントを獲得した人が勝ちます。 追加のルール（ターン、ピースの数、タイプなど）がありますが、この質問の文脈では重要ではありません。自分自身と対戦することで繰り返し学習できるディープニューラルネットワークを考案したいと思います。私の質問は、入力と出力の表現についてです。特に： ピースのパターンが重要なので、少なくともいくつかの畳み込み層があると考えていました。ボードはさまざまなサイズにすることができますが、原則として非常に小さいです（テストでは6x10、数個のセルで拡張するため）。それは理にかなっていますか？どのようなプーリングを使用できますか？ 両側を表現するには？で、この論文、外出先について、著者は、2つの入力行列、白の石と黒の石のための1のための1つを使用します。この場合でも機能しますか？しかし、A、B、C、Dなど、さまざまなタイプのピースがあることを思い出してください。2x4の入力行列を使用する必要がありますか？それは非常にまばらで、私にはほとんど効率的ではないようです。たたみ込み層が機能するにはあまりにもまばらになると思います。 出力は、ボードの位置を表すマトリックス上の確率の分布に加えて、プレイするピースを示す確率の別の配列になると考えました。ただし、ターンを渡す能力も表現する必要があります。これは非常に重要です。他の確率の中でその重要性を薄めることなくそれを行うにはどうすればよいですか？ そして最も重要なことは、勝ち手のみを強制するのか、それとも負け手を強制するのか？希望する確率を1に設定しただけなので、勝ちの動きを強制するのは簡単です。その移動確率を0に設定し、他のすべてを同じ値に設定しますか？また、最終的なスコアの差によって動きを強制することは意味がありますが、これはおおよそ確率である出力の意味に反しますか？ また、フレームワークとしてSynapticを使用することを考えてnode.jsでゲームエンジンを開発しましたが、畳み込みネットワークで動作するかどうかはわかりません（ローカルの知覚フィールドに関連付けられた重みを修正する方法があるとは思いません）。ノードと互換性のある他のライブラリに関するアドバイスはありますか？

13 neural-networks  deep-learning  game-ai 

現在、人工知能は機械学習、特にディープラーニングとほぼ同等のようです。この分野では、ディープラーニングが、従来は機能エンジニアリングにとって非常に重要だった人間の専門家に取って代わると言っている人もいます。ディープラーニングの台頭は、一方では神経科学と神経可塑性という2つのブレークスルーによって支えられたと言われています特に、高度に可塑的な人間の脳のように、人工ネットワークを使用してほぼすべての機能をモデル化できることがわかります。一方、計算能力の向上、特にGPUとFPGAの導入により、アルゴリズムインテリジェンスが格段に向上し、数十年前に作成されたモデルが非常に強力で多用途になりました。過去数年間に蓄積されたビッグデータ（ほとんどはラベル付けされたデータ）も関連していると付け加えます。 このような開発はコンピュータービジョン（および音声認識）を新しい時代にもたらしますが、自然言語処理とエキスパートシステムでは、状況はそれほど変わっていないようです。 ニューラルネットワークの常識を達成するのは難しいように見えますが、ほとんどの文章、会話、短いテキストには、背景世界の知識から引き出されるべき推論が含まれています。したがって、知識グラフ化は人工知能にとって非常に重要です。ニューラルネットワークは知識ベースの構築に利用できますが、ニューラルネットワークモデルはこれらの構築された知識ベースを利用するのが難しいようです。 私の質問は： 1）ナレッジベース（たとえば、Googleによって作成された「ナレッジグラフ」）は、AIの有望なブランチですか？もしそうなら、KBはどのように機械学習を強化できますか？そして、自然言語の生成にどのように役立つのでしょうか？ 2）DLが支配的な時代の生存のために、知識ベース（または包括的な用語のシンボリックアプローチ）の方向はどこにありますか？あるヴォルフラム様のzダイナミックな知識ベースは、新たな方向性？または新しい方向性はありますか？ 「知識ベース」または「知識グラフ」として質問にタグ付けできなかったため、ここで適切な質問をしていることを願っています。 基本的な何か、またはこれらの問題に対処するアイデアがありませんか？

13 natural-language-processing  knowledge-representation  symbolic-computing  expert-system 

私は、「人工知能」という名前の説得力のある批判を行った「人工知能の呼び出しをやめる」という非常に興味深い記事を読みました。 インテリジェンスという言葉は非常に広範であるため、「人工知能」が本当にインテリジェントかどうかを判断するのは困難です。したがって、人工知能は、人間の知能を複製すると誤解される傾向がありますが、実際には人工知能とは異なります。 人工知能は本当に「人工」ではありません。人工とは、何かを偽造することを意味しますが、これは人工知能とはまったく異なります。 「人工知能」という表現に代わる優れた選択肢は何ですか？（良い答えは名前をランダムにリストしません;彼らは彼らの代替名が良いものである理由の根拠を与えます。）

13 philosophy  terminology 

このリスト1を使用してAIの問題を分類できる場合... より小さな問題またはより簡単な問題に分解可能 解決手順は無視または元に戻すことができます 予測可能な問題の世界 良い解決策は明らかです 内部的に一貫した知識ベースを使用 多くの知識を必要とするか、知識を使用してソリューションを制約する 人間とコンピューター間の定期的な相互作用が必要 ...これらの次元に沿った問題の配置とその解決策に適したアルゴリズム/アプローチとの間に一般に受け入れられている関係はありますか 参照資料 [1] https://images.slideplayer.com/23/6911262/slides/slide_4.jpg

13 ai-design  algorithm  reference-request 

ニューラルネットワーク（フィードフォワード、バックプロパゲーション、RNN）の実装中に作成する最適なレイヤー数を決定する方法

13 neural-networks  hidden-layers 

注：ゲーデルの定理に関する私の経験はかなり限られています。ゲーデルエッシャーバッハを読んだことがあります。ゲーデルの定理入門の前半をスキムした（ピータースミス作）。そして、インターネット上のあちこちにあるランダムなもの。つまり、私は理論について漠然とした高度な理解しか持っていません。 私の謙虚な意見では、ゲーデルの不完全性定理（およびホールティング問題やレーブの定理などの多くの関連定理）は、最も重要な理論的発見です。 ただし、定理の理論的応用が（少なくとも私の知る限り）それほど多くないことを観察するのは少し残念です。に向けて簡単にコミットして喜んでである。 それにもかかわらず、心の哲学/ AIの文脈に定理を適用するいくつかの試みがまだあります。私の頭の上から： ルーカス・ペンローズの議論：これは、心が正式なシステム（コンピューターのように）に実装されていないことを主張しています。（ただし、それほど厳密な証拠ではありません） どうやらMIRIの研究のいくつかはLöbsThereomを使用していますが、私が知っている唯一の例はLöbianエージェントの協力です。 これらはすべて非常にクールですが、さらにいくつかの例はありますか？特に、学界で実際に真剣に検討されているもの。 （cf.ゲーデルの最初の不完全性定理の哲学的意味は何ですか？SEで）

13 philosophy 

これらのタイプの質問は問題に依存する可能性がありますが、隠れ層の数とそのサイズ（各層のニューロンの数）が本当に重要かどうかという問題に取り組む研究を見つけようとしました。 私の質問は、たとえば、1000個のニューロンからなる1つの大きな隠れ層と、それぞれ100個のニューロンを持つ10個の隠れ層があるかどうかは本当に重要なのでしょうか？

13 neural-networks 

最近のPCゲームThe Turing Testでは、AI（「TOM」）はパズルルームを通過するためにAvaの助けを必要とします。TOMは、「横方向に考える」ことが許可されていないため、パズルを解くことができないと言います。具体的には、彼は最初の部屋を解決するために窓から箱を投げるなんて考えなかっただろうと言います。彼のクリエイターは、そのような思考がプレッシャープレートに残すために腕を切り落とすような「倫理的に最適ではない」解決策を生み出す可能性があるため、その機能をオフにしました。 結果を合理的に保つために、すべての創造的なパズルを解く能力をAIから削除する必要がありますか？

13 agi  problem-solving 

必要な出力と知っているアクティベーション関数のプロパティに応じて、出力レイヤーのアクティベーション関数を選択します。たとえば、確率を処理する場合はシグモイド関数を選択し、正の値を処理する場合はReLUを選択し、一般的な値を処理する場合は線形関数を選択します。 非表示のレイヤーでは、ReLUではなくリークしたReLUを使用し、シグモイドではなくtanhを回避します。もちろん、私は隠れた単位で線形関数を使用しません。 ただし、非表示層でのそれらの選択は、主に試行錯誤によるものです。 状況によっては、どのアクティベーション機能が適切に機能するかについての経験則はありますか？可能な限り一般的な状況を考えてみましょう。これは、レイヤーの深さ、NNの深さ、そのレイヤーのニューロンの数、選択したオプティマイザー、入力フィーチャの数を指す場合があります。そのレイヤー、このNNのアプリケーションなど で、彼/彼女の答えは、cantordustはELUとSELUのように、私は言及しなかったことを、他の活性化関数を指します。この情報は大歓迎です。ただし、アクティブ化関数が多いほど、非表示のレイヤーで使用する関数の選択に混乱が生じます。そして、コインを投げることがアクティベーション機能を選ぶ良い方法だとは思いません。

13 neural-networks  machine-learning  math  activation-function 

私は強化学習を検討しており、特にOpenAI Gym AIで使用するための独自の環境の作成をいじっています。stable_baselinesプロジェクトのエージェントを使用してテストしています。 ほぼすべてのRLの例で気付いたことの1つは、どのネットワークにもドロップアウトレイヤーが存在しないように見えることです。どうしてこれなの？ 通貨価格をシミュレートする環境と、DQNを使用して、売買のタイミングを学習しようとする単純なエージェントを作成しました。1か月分の5分間の価格データからなる特定のデータセットから取得した、ほぼ100万時間を超えるトレーニングは、非常に適しているようです。次に、別の月のデータに対してエージェントとモデルを評価すると、わずかなパフォーマンスしか得られません。古典的なオーバーフィッティングのように聞こえます。 しかし、RLネットワークでドロップアウトレイヤーが表示されない理由はありますか？過剰適合を試みて対処する他のメカニズムはありますか？または多くのRLの例では問題ではありませんか？たとえば、「ブレイクアウト」ゲームで究極のハイスコアを達成するための真の方法は1つしかない可能性があるため、正確に学習し、一般化する必要はありません。 それとも、環境自体の無秩序な性質が、ドロップアウトレイヤーを用意する必要がない、結果のさまざまな組み合わせを提供するはずだと考えられていますか？

13 machine-learning  reinforcement-learning  overfitting  dropout 

概念とは何ですか？ボトルネック値をどのように計算しますか？これらの値は画像の分類にどのように役立ちますか？簡単な言葉で説明してください。

13 deep-learning  tensorflow  terminology 

Ex MachinaやI、Robotの映画に見られるのと同じくらいインテリジェントなAIロボットを作成しようとした、またはすでに作成した研究チームはありますか？ 私は完全な認識について話しているのではなく、人間が行うことができる独自の決定と肉体的および知的タスクを行うことができる人工的な存在ですか？

13 research  agi  robots 

OpenAIGymのLunar Landerなどの問題の解決策を設計する場合、強化学習はエージェントに適切なアクションコントロールを与えて着陸に成功させる魅力的な手段です。 しかし、PIDコントローラーなどの制御システムアルゴリズムが強化学習よりも優れているとしても、適切な仕事をするインスタンスは何ですか？ このような質問は、この質問の理論に取り組む上で素晴らしい仕事をしますが、実際的な要素に取り組むことはほとんどありません。 人工知能エンジニアとして、PIDコントローラーでは問題を解決するには不十分であり、代わりに強化学習アルゴリズムを使用する（またはその逆）必要があることを、問題ドメインのどの要素が示唆する必要がありますか？

12 reinforcement-learning  ai-design  control-theory 

驚いたことに、これは以前に尋ねられていませんでした-少なくとも私はいくつかの他に何も見つけませんでした 漠然と関連した質問。 それでは、リカレントニューラルネットワークとは何ですか？また、通常のNNを超える利点は何ですか？

12 recurrent-neural-networks 

偽の写真、偽のサウンドバイト、偽のビデオを安価に作成する能力が高まるにつれて、何が現実で何がそうでないかを認識することで問題が大きくなります。今でも、低コストで偽のメディアを作成するアプリケーションの例が多数あります（Deepfake、FaceAppなどを参照）。 明らかに、これらのアプリケーションが間違った方法で使用されると、他の人のイメージを傷つけるために使用される可能性があります。Deepfakeを使用すると、相手を不誠実に見せることができます。別のアプリケーションを使用して、政治家が物議をかもす何かを言ったように見せることができます。 人工的に作成されたメディアを認識して保護するために使用できるテクニックにはどのようなものがありますか？

12 machine-learning  image-recognition  pattern-recognition  deepfakes