A hallmark of intelligence is the ability to autonomously learn new flexible, cognitive behaviors. Here we define cognitive behaviors as those that require working memory, that is, behaviors where the appropriate action depends not just on immediate stimuli (as in simple reflexive stimulus-response associations), but on memorized contextual information. Such cognitive, memory-dependent behaviors are by definition meta-learning (``learning to learn'') tasks. In typical meta-learning experiments, agents are trained with an external, human-designed algorithm to acquire one specific cognitive task. By contrast, animals are able to pick up new cognitive tasks (including tasks never seen during evolution) automatically, from stimuli and rewards alone, through the operation of their own evolved internal machinery. Can we harness this process to generate artificial agents with such abilities? Here we evolve neural networks, endowed with plastic connections and neuromodulation, over a sizable set of simple meta-learning tasks based on a framework from computational neuroscience. The resulting evolved networks can automatically modify their own connectivity to acquire a novel simple cognitive task, never seen during evolution, from stimuli and rewards alone, through the spontaneous operation of their evolved neural organization and plasticity system. We suggest that attending to the multiplicity of loops involved in natural learning may provide useful insight into the emergence of intelligent behavior.


翻译:智能的标志是自主学习新的灵活认知行为的能力。 我们在这里将认知行为定义为那些需要工作记忆的行为, 也就是说, 适当行动不仅依赖于即时刺激( 简单的反反射刺激反应协会), 也依赖于记忆背景信息。 这些认知、 记忆依赖行为从定义上来说是元学习( 学习学习学习学习 ) 任务。 在典型的元学习实验中, 代理人员接受外部、 人类设计的算法培训, 以获得特定的认知任务。 相比之下, 动物能够自动地接受新的认知任务( 包括进化过程中从未看到的任务 ), 从刺激和奖励单靠自己的进化内部机器操作来自动地从刺激和奖励中, 。 我们能利用这个过程来生成具有这种能力的人工剂吗? 在这里, 我们进化了神经网络, 具有塑料连接和神经调节, 超越了一套基于计算神经科学框架的庞大的简单元学习任务。 由此产生的进化网络可以自动地改变自己的连接, 获得一个全新的简单认知任务, 从进化过程中从未看到过的任务, 从刺激和奖赏赏, 从演化到自然的进的进的进的进化中, 系统, 通过自然的进化的进化的进化到进化的进化的进化的进化的进化的进化到进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化, 系统, 系统,,,, 来提供其进化到进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的系统, 系统, 系统, 系统可以提供的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的进化的系统,

0
下载
关闭预览

相关内容

Cognition:Cognition:International Journal of Cognitive Science Explanation:认知:国际认知科学杂志。 Publisher:Elsevier。 SIT: http://www.journals.elsevier.com/cognition/
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
专知会员服务
60+阅读 · 2020年3月19日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年12月22日
Arxiv
37+阅读 · 2021年9月28日
Directions for Explainable Knowledge-Enabled Systems
Arxiv
26+阅读 · 2020年3月17日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员