Pragmatist Intelligence: Where the Principle of Usefulness Can Take ANNs

要約

人工ニューラル ネットワーク (ANN) は、音声処理や画像分類など、分類や予測を含む多数のタスクで並外れたパフォーマンスを発揮します。
これらの新しい機能は、最終的に期待される機能を提供する限り、必要なすべての内部モデル パラメーターを自由に選択できる計算モデルに基づいています。
ここでは、ANN 上で実行される機械学習 (ML) アルゴリズムにおけるモデル パラメーターの選択と、理論の有用性と反表現主義の側面に焦点を当てたネオプラグマティズムの認識論との関係をレビューします。
ANN のモデル パラメーター選択の結果を理解するには、その意味がよく研究されているネオプラグマティスト理論を使用することをお勧めします。
ちなみに、ネオプラグマティズムの最適化の概念も効用の考慮に基づいています。
これは、このアプローチを適用すると、学習段階で数値的手法を使用する ML での最適化と、アクションの格率として発生する結果主義の倫理理論での最適化との間の固有の関係が明らかになることを意味します。
これらの関連性は、ML システムでの関連性の計算方法に由来すると考えられます。
これにより、最終的には ML システムにおける特定のアクションの傾向が明らかになる可能性があります。

要約(オリジナル)

Artificial neural networks (ANNs) perform extraordinarily on numerous tasks including classification or prediction, e.g., speech processing and image classification. These new functions are based on a computational model that is enabled to select freely all necessary internal model parameters as long as it eventually delivers the functionality it is supposed to exhibit. Here, we review the connection between the model parameter selection in machine learning (ML) algorithms running on ANNs and the epistemological theory of neopragmatism focusing on the theory’s utility and anti-representationalist aspects. To understand the consequences of the model parameter selection of an ANN, we suggest using neopragmatist theories whose implications are well studied. Incidentally, neopragmatism’s notion of optimization is also based on utility considerations. This means that applying this approach elegantly reveals the inherent connections between optimization in ML, using a numerical method during the learning phase, and optimization in the ethical theory of consequentialism, where it occurs as a maxim of action. We suggest that these connections originate from the way relevance is calculated in ML systems. This could ultimately reveal a tendency for specific actions in ML systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google