Agential AI for Integrated Continual Learning, Deliberative Behavior, and Comprehensible Models

要約

現代の機械学習パラダイムは、統計データ分析に優れており、古典的なAIができなかった問題を解決します。
ただし、計画との統合の欠如、理解できない内部構造、継続的に学習できないなど、重要な制限に直面しています。
原則として、これらの問題を克服するために設計された統計的手法の上で、原則として、原則として、AISINCELAINCE AI（AAI）の初期設計を提示します。
AAIのコアは、環境の構造を学習するためにコンポーネントレベルのバリエーションと選択を使用して、完全性、最小性、および継続的な学習を保証する時間的ダイナミクスをモデル化する学習方法です。
これを、学習されたモデルを計画し、高レベルの動作パターンをカプセル化する動作アルゴリズムと統合します。
単純な環境に関する予備的な実験は、AAIの有効性と可能性を示しています。

要約(オリジナル)

Contemporary machine learning paradigm excels in statistical data analysis, solving problems that classical AI couldn’t. However, it faces key limitations, such as a lack of integration with planning, incomprehensible internal structure, and inability to learn continually. We present the initial design for an AI system, Agential AI (AAI), in principle operating independently or on top of statistical methods, designed to overcome these issues. AAI’s core is a learning method that models temporal dynamics with guarantees of completeness, minimality, and continual learning, using component-level variation and selection to learn the structure of the environment. It integrates this with a behavior algorithm that plans on a learned model and encapsulates high-level behavior patterns. Preliminary experiments on a simple environment show AAI’s effectiveness and potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google