잊지도 못하고 다운로드

그러나 로봇 들이 대규모 기술을 배우는 것은 이전에 습득 한 기술을 잊고 새로운 기술을 습득 해야 하기 때문에 어려운 도전 이었습니다. 이러한 망각은 인공 신경망 이라고 하는 뇌 모델에서 인공 지능을 만들려고 시도 하는 분야에서 특히 문제가 된다 [1, 4, 5]. 새로운 기술을 배우기 위해 신경망 학습 알고리즘은 신경 연결 [6 ~ 8]의 가중치를 변경 하지만 오래 된 기술을 인코딩하는 가중치는 새 작업의 성능을 향상 시키기 위해 변경 되기 때문에 오래 된 기술이 손실 됩니다. 이 문제는 새로운 기술을 습득 함에 따라 오래 된 기술을 점진적으로 잊고 있는 생물학적 동물 (인간 포함)과 대조 되는 것을 강조 하는 치명적인 망각으로 알려져 있습니다 [11]. 로봇과 인공 지능 소프트웨어 요원 들이 사회 [12 ~ 14]에 크게 도움이 될 수는 있지만, 치명적인 망각 문제를 해결할 때까지 그들의 이익은 극히 제한적입니다. 신경망에서 정교 하 고 기능적인 인공 지능을 생산 하 고이를 통해 일반적인 인공 지능을 만들기 위한 장기적인 탐구를 진행 하겠다는 목표를 달성 하기 위해, 우리는 보다 많은 것을 처리 하는 방법을 배울 수 있는 알고리즘을 개발 해야 합니다. 몇 가지 다른 문제. 추가적으로, 치명적인 망각에 대하여 전산 두뇌 모형과 자연적인 두뇌의 다름은 신경학 상 병 리를 공부 하는 공구로 그러한 모형의 유용성을 제한 합니다 [16]. 유기 체의 두뇌의 모형은 10 개의 입력 뉴런을 가진 신경 네트워크입니다 (Supp. S1도). 왼쪽에서 오른쪽으로, 입력 1-4 및 5-8는 여름 및 겨울 음식 아이템이 각각 존재 하는 것을 인코딩합니다. 여름 동안 겨울 입력은 활성화 되지 않으며 반대의 경우도 마찬가지입니다. 비 모듈식 신경망은 두 계절에 동일한 숨겨진 뉴런을 사용할 가능성이 있기 때문에 이러한 네트워크에 치명적인 망각이 나타날 수 있습니다 (그림 1, 위).

우리는 여름 및 겨울 항목을 별도의 입력 뉴런으로 분할 하 여 조기 시각 처리 및 객체 인식이 이미 발생 한 인지의 중간 단계를 담당 하는 신경망을 추상화 하 고 결정을 내리기 전에 인식 된 시각 자극에 대 한 응답으로 무엇을 해야 하는지에 대해. 이러한 혼란 개체의 표현은 동물의 뇌 [63]에서 확인 되었으며 신경망 모델 [64]의 중간 계층에서 흔히 발생 합니다. 최종 2 개의 입력은 보강 학습을 위한 것입니다: 입력 9 및 10은 각각 영양가 또는 유독 식품을 먹을 때 발사 되는 보상 및 처벌 신호입니다. 네트워크에는 에이전트가 (출력 > 0) 먹을 것인지 아니면 제시 된 음식 항목을 무시할 것인지를 결정 하는 단일 출력이 있습니다. 연결 비용이 성능 및 모듈성을 크게 향상 시킨다는 것을 관찰 한 후에는 P&CC 네트워크가 증가 한 모듈화로 설명할 수 있는지 또는 네트워크 희소 성이 더 잘 연관 되는지 여부를 분석 했습니다. 또한 연결 수가 적은 경우 (P&CC 중간 연결 수는 35.5 [95 40.0 31.0%) vs PA 82.0 [74.0, 97.1], P = 7.97 × 10-19) 희소 성과 모듈성 모두 네트워크 성능과 상관관계가 있습니다 (그림 7). 희소 성은 이전에 [23, 66]에 나타난 것과 같이 모듈화 된 것과 상관 관계가 0 이라는 가설의 t 검정에 의해 계산 된 것과 같이 모듈 (5.15 × 10− 40)과 상관관계가 있다. 데이터에 대 한 우리의 해석은 기능 성과 희소 성 모두에 대 한 압력이 모듈화를 일으키고,이로 인해 치명적인 망각에 대 한 저항성이 있는 학습자를 진화 시키는 데 도움이 된다는 것입니다. 그러나, 희소 성이 자체가 치명적인 망각을 완화 하는 것을 배제할 수 없다 [1], 또는 기술 모듈과 학습 모듈로 분리 하기 때문에 네트워크의 일반적인 학습 능력을 향상 시켰다.

Kategória: Egyéb kategória

Írta: Gabor