El Fin Del Conocimiento - Vault 2 - ICLR (2014-2023)

graph LR classDef cognition fill:#f9d4d4, font-weight:bold, font-size:14px; classDef play fill:#d4f9d4, font-weight:bold, font-size:14px; classDef reasoning fill:#d4d4f9, font-weight:bold, font-size:14px; classDef memory fill:#f9f9d4, font-weight:bold, font-size:14px; classDef communication fill:#f9d4f9, font-weight:bold, font-size:14px; A[Aida Nematzadeh et al
ICLR 2020] --> B[Colaboración entre IA y ciencia cognitiva explorada. 1] A --> C[El juego apoya el aprendizaje de modelos del mundo. 2] C --> D[El juego de los niños integra razonamiento, pistas. 3] C --> E[El juego rastrea la discriminabilidad de contrastes. 4] C --> F[El juego inventa problemas, genera ideas. 5] A --> G[Desafío de la cognición: generar nuevas hipótesis. 6] G --> H[Los problemas limitan el espacio de búsqueda de soluciones. 7] G --> I[El juego hackea funciones de utilidad, objetivos. 8] A --> J[IA: entender desarrollo, diversidad, cuidado. 9] A --> K[Ciencia cognitiva: entender herramientas de IA. 10] K --> L[Experimentos informan IA, conocimiento innato. 11] K --> M[Kaelbling: principios compartidos de IA-inteligencia, diferencias. 12] A --> N[Niños, RL comparados en exploración. 13] A --> O[Modelos de IA inspirados en autismo razonan atípicamente. 14] A --> P[Razonamiento visual usa imágenes jerárquicas. 15] A --> Q[Modelo de autoconciencia mejora consistencia en diálogo. 16] A --> R[Repetición inspirada en el cerebro reduce olvido catastrófico. 17] A --> S[Redes globales-locales aprenden percepción 3D. 18] A --> T[Filtro de Kalman permite revaluación de transiciones. 19] T --> U[Vectores propios de SR apoyan exploración jerárquica. 20] A --> V[Hipocampo: memoria episódica, planificación, cambio de tareas. 21] A --> W[Restricciones de recursos moldean toma de decisiones. 22] A --> X[Mapeo de boceto-objeto depende del razonamiento. 23] X --> Y[Aprender mapeos de bocetos analógicos es desafiante. 24] A --> Z[Juegos de señalización llevan a comunicación eficiente. 25] A --> AA[Memorias Product-Kanerva permiten aprendizaje relacional. 26] A --> AB[Emparejamiento de grafos permite transferencia analógica. 27] A --> AC[Niveles de Marr desentrañan debates de IA. 28] A --> AD[Modelos de bordes/segmentos predicen visión de ratones. 29] A --> AE[Incrustaciones acústicas se asemejan a la percepción humana. 30] class A,B,J cognition; class C,D,E,F,N play; class G,H,I,O,P,W,X,Y,AB,AC reasoning; class R,S,T,U,V,AA memory; class Q,Z,AE communication;

Resumen:

1.-El taller conecta IA y ciencia cognitiva, explorando su historia compartida y potencial de colaboración.

2.-El juego y la exploración en niños apoyan el aprendizaje al ayudar a construir mejores modelos del mundo.

3.-El juego de los niños es sofisticado desde el principio, integrando pistas sociales y razonamiento contrafactual.

4.-Los experimentos muestran que el juego exploratorio de los niños rastrea cuantitativamente la discriminabilidad de contrastes.

5.-El juego de los niños implica inventar problemas arbitrarios y soluciones para generar nuevas ideas y planes.

6.-El problema difícil en la cognición es pensar y generar nuevas hipótesis, no solo aprender.

7.-Los problemas contienen información que limita el espacio de búsqueda de soluciones incluso antes de tener las respuestas.

8.-Los niños violan principios de acción racional en el juego para crear objetivos novedosos al hackear sus funciones de utilidad.

9.-Los investigadores de IA deben entender el desarrollo, cuidado, diversidad de la cognición y propósitos más allá del rendimiento de tareas desde la ciencia cognitiva.

10.-Los científicos cognitivos deben entender la variedad de herramientas y enfoques en IA más allá de las redes neuronales.

11.-Se proponen experimentos naturales para entender el conocimiento innato, aproximaciones, modularidad, razonamiento espacial en humanos para informar a la IA.

12.-Leslie Kaelbling discute perseguir principios compartidos entre IA e inteligencia natural mientras se reconocen diferencias.

13.-Se comparan niños pequeños y agentes RL explorando el mismo entorno virtual para estudiar la exploración eficiente.

14.-La IA inspirada en el autismo examina cómo las habilidades de razonamiento visual y social atípicas pueden informar el modelado cognitivo.

15.-El razonamiento visual espacial se modela usando operaciones de imágenes visuales en un proceso jerárquico inspirado en teorías cognitivas.

16.-La autoconciencia pública modelada usando un oyente imaginario mejora la consistencia en agentes de diálogo sin anotación adicional.

17.-La repetición inspirada en el cerebro que combina retroalimentación generativa y compuertas dependientes del contexto reduce el olvido catastrófico en redes neuronales.

18.-Las redes globales-locales que usan pistas de profundidad escasas aprenden la percepción de escenas 3D de una manera similar a la de un bebé a través de la visión e interacción.

19.-Un filtro de Kalman aplicado a la representación sucesora permite un cálculo de valor flexible y revaluación de transiciones.

20.-Los vectores propios de la matriz SR apoyan la representación jerárquica y la exploración temporalmente abstracta en un modelo de células de cuadrícula.

21.-El hipocampo apoya funciones cognitivas clave difíciles para la IA: memoria episódica, planificación basada en modelos, cambio de tareas, imaginación.

22.-Los criterios de optimalidad RL estándar dan paso a la toma de decisiones natural bajo restricciones de recursos en un modelo cognitivo.

23.-La correspondencia boceto-objeto depende de características visuales de alto nivel y razonamiento social para comunicar información relevante de manera eficiente.

24.-Aprender mapeos de bocetos de objetos que exponen la estructura analógica es un desafío para los sistemas actuales de razonamiento visual.

25.-La regularización de entropía surge en los juegos de señalización, llevando a una comunicación eficiente que transmite solo la información necesaria.

26.-Las memorias Product-Kanerva permiten la compresión, vinculación, aprendizaje relacional y reconstrucción selectiva de objetos en una red neuronal.

27.-La relajación continua del emparejamiento de grafos permite la transferencia de conocimiento en el razonamiento analógico, coincidiendo cualitativamente con las asimetrías humanas.

28.-Los niveles de análisis de Marr ayudan a desentrañar suposiciones y enfocar los debates en el nivel correcto en la investigación de IA.

29.-Las respuestas del cortex visual de ratón se predicen mejor por modelos que capturan bordes/segmentos en lugar de características de reconocimiento de objetos supervisadas.

30.-Las incrustaciones de palabras acústicas exhiben propiedades como el sesgo de inicio y codifican características fonéticas similares a los perceptos humanos.

Vault de Conocimiento construido porDavid Vivancos 2024