AIGenC：通过创造力的AI泛化模型
摘要：用于促使人工智能代理学习、使用和生成可转移表示的计算模型（AIGenC）在认知创造力理论的启发下被引入。与机器表示学习不同，它仅依赖原始感知数据，生物表示融入了嵌入丰富和结构化概念空间的关联和联想信息。AIGenC 模型提出了一个分层图形架构，具有由不同组件提供的各种级别和类型的表示。第一个组件，概念处理，从感知输入中提取对象和拮抗作用，并将其编码为概念空间。生成的表示存储在双重记忆系统中，并通过强化学习获取目标导向和时间信息来丰富它们，从而创建更高层次的抽象。另外两个组件并行工作，用于检测和恢复相关概念，并分别创建新的概念，类似于认知反思推理和混合过程。反思推理单元通过计算当前状态和记忆图结构之间的相似性值进行匹配过程，以检测和恢复与任务相关的概念。一旦匹配交互结束，奖励和时间信息被添加到图形中，进一步构建抽象。如果反思推理处理无法提供合适的解决方案，则进行混合操作，通过结合过去的信息创建新的概念。我们讨论了该模型在人工智能代理的超出分布泛化中提供更好效果的能力，从而推进了人工通用智能的发展。
作者：Corina Catarau-Cotutiu, Esther Mondragon, Eduardo Alonso
论文ID：2205.09738
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-06-22