基于神经网络的空间与语言后继表示
人工智能
2022-02-24 v1 神经元与认知
摘要
心智如何组织思想?海马-内嗅复合体被认为支持对任意状态、特征和概念空间结构性知识的领域通用表示与处理。特别地,它使得认知地图的构建及在这些地图上的导航成为可能,从而广泛贡献于认知。有提议认为,多尺度后继表示的概念为 place cell 和 grid cell 所执行的底层计算提供了解释。本文提出一种基于神经网络的方法来学习此类表示,并将其应用于不同场景:基于监督学习的空间探索任务、基于强化学习的空间导航任务,以及通过观察样本句子推断语言结构这一非空间任务。在所有场景中,神经网络均通过构建后继表示正确学习并逼近底层结构。此外,所得的神经发放模式与实验观测到的 place cell 和 grid cell 发放模式极为相似。我们得出结论:认知地图与基于结构化知识的神经网络后继表示为克服深度学习通向通用人工智能的一些缺陷提供了有前景的途径。
引用
@article{arxiv.2202.11190,
title = {Neural Network based Successor Representations of Space and Language},
author = {Paul Stoewer and Christian Schlieker and Achim Schilling and Claus Metzner and Andreas Maier and Patrick Krauss},
journal= {arXiv preprint arXiv:2202.11190},
year = {2022}
}