理解“理解”：一种受重整化群启发的人工智能模型
人工智能
2020-10-27 v1 机器学习
高能物理 - 理论
摘要
本文探讨科学与人工智能系统中“理解”的含义。我们给出了理解的数学定义，与通常看法相反，我们在输入集上定义概率空间，并将智能行为体的变换不视为信息损失，而是信息在新坐标系框架下的重组。我们遵循物理重整化群的思想，引入相关参数与无关参数的概念，并讨论不同 AI 任务如何依这些概念解读，以及学习过程如何描述。我们展示了科学理解如何契合该框架，并阐明科学任务与模式识别的区别。我们还引入了一种相关性度量，可用于有损压缩。
引用
@article{arxiv.2010.13482,
title = {Understanding understanding: a renormalization group inspired model of (artificial) intelligence},
author = {A. Jakovac and D. Berenyi and P. Posfay},
journal= {arXiv preprint arXiv:2010.13482},
year = {2020}
}
备注
15 pages, 3 figures