SERKET：一种连接随机模型以实现大规模认知模型的架构
人工智能
2017-12-07 v3
摘要
为实现类人机器人智能，需要大规模认知架构以使机器人通过其所装备的多种传感器理解环境。在本文中，我们提出一个名为Serket的新框架，它通过连接子模块使得构建大规模生成模型及其推断变得容易，从而让机器人通过与环境及他人的交互获得各种能力。我们认为大规模认知模型可通过分层连接较小的基本模型来构建，同时保持其程序独立性。此外，连接的模块彼此依赖，参数需要作为整体进行优化。传统上，参数估计的方程必须依据模型推导并实现。然而，更大规模模型的推导与实现变得愈发困难。为解决这些问题，本文提出一种在保持各模块程序独立性的同时，通过模块间传递最小参数来进行参数估计的方法。因此，Serket使得通过模块连接轻松构建大规模模型并估计其参数成为可能。实验结果表明，该模型可通过连接模块构建，参数可作为整体优化，且与我们已提出的原始模型相当。
引用
@article{arxiv.1712.00929,
title = {SERKET: An Architecture for Connecting Stochastic Models to Realize a Large-Scale Cognitive Model},
author = {Tomoaki Nakamura and Takayuki Nagai and Tadahiro Taniguchi},
journal= {arXiv preprint arXiv:1712.00929},
year = {2017}
}