(強いAI)技術的特異点/シンギュラリティ144

[過去ﾛｸﾞ] (強いAI)技術的特異点/シンギュラリティ144 (1002ﾚｽ)
上下前次1-新
通常表示 512ﾊﾞｲﾄ分割ﾚｽ栞
抽出解除ﾚｽ栞

このｽﾚｯﾄﾞは過去ﾛｸﾞ倉庫に格納されています｡
次ｽﾚ検索歴削→次ｽﾚ栞削→次ｽﾚ過去ﾛｸﾞﾒﾆｭｰ

30: yamaguti [sage] 2018/12/17(月) 20:33:43.85 ID:wTQbtxsi BE:138871639-?2BP(0)

sssp://img.5ch.net/ico/nida.gif
位置信号がどのように生成されるかはわかりませんが、理論的 要件 挙げることができます。
列はオ ry ト上の現在の位置を知る必要がありますが、移動が完了した後に新しい位置 予測 必要もあります。
? エコーセントラルモーター信号を予測された割り当て位置に変換するためには、列は移動 ry 。
自己視点座標的運動信号を予測されたアロケート位置に変換する為には、カラムは移動を行っている身体部分に対するオ ry トの向きも知っていなければならない。
? ry 移動?予測された新しい場所 ry 。
これは、擬似方程式[現在の位置+オブジェクトの向き+移動 = 予測された新しい場所]で表すことができます。
これは、ニューロンが実行するための複雑な作業です。
幸運 、それはグリッドセルが行うことと非常に似ています。
グリッドセルは、ニューロンがこれらのタイプの変換を実行できるという証拠であり、皮質の列 メカニズムを示唆 。

1。
? 嗅内皮質（Hafting et al。、2005; Moser et al。、2008）の格子細胞は、 ry をコード化する。
嗅内皮質の格子細胞 ( Hafting et al。、2005; Moser et al。、2008 ) は、外部環境に対する動物の身体の位置をエンコードする。
感覚皮質柱は、動物の体の一部（感覚パッチ）の位置を外部物体に関連してコード化する必要がある。
2。
グリッドセルは、経路統合を使用して、移動による新しい場所を予測します（Kropff et al。、2015）。
? 列は、移動のために新しい ry 。
カラムも、移動に伴う新しい場所を予測するためにパス統合を使用する必要
3。
? ry は、現在の位置と移動方向を頭部方向のセルと組み合わせる（Moser et al。、2014）。
新しい位置を予測するために、グリッドセルは、現在の、位置、動き、頭部基準向き、のセルを一纏めにする（Moser et al。、2014）。
頭の方向のセルは、 「動物」の「向き」を表します。
列には、外部物体に対する「感覚パッチ」の「向き」の表現が必要
4。
グリッドセルを使った空間表現は無次元です。
? ry マッピングされるかによって決まります。
それらが表す空間の次元は、格子セルのタイリングと、タイリングがどのように動作にマッピングされるか、との統合によって決まります。
同様に、我々のモデルは、次元のない位置の表現を使用する。

http://rio2016.5ch.net/test/read.cgi/future/1545018277/30

36: yamaguti [sage] 2018/12/17(月) 20:41:57.85 ID:wTQbtxsi BE:138871639-?2BP(0)

sssp://img.5ch.net/ico/nida.gif
? 複数のオブジェクトが同時に検出された ry ？
複数のオ ry トに同時に触れた場合はどうなりますか？
我々のモデルでは、感覚アレイの1つの部分が1つの物体を感知することができ、感知アレイの別の部分が異なる物体を感知することができる。
? 親指と中指が別のオブジェクトに触れている間にインデックスや薬指が1つのオブジェクトに触れた場合など、2つ以上のオブジェクトからの感覚がオーバーレイ ry 。
人差指や薬指が1つのオブジェクトに触れている間に親指と中指が別のオブジェクトに触れた場合など、2つ以上のオブジェクトからの感覚が単一リージョン上でオーバーレイされたり、散在したりすると、問題が発生します。
このような状況では、システムは1つの解釈または他の解釈で解決されると考えられます。

感覚情報はパラレル経路で処理され、時には「何」および「どこ」経路と呼ばれる。
? オブジェクト認識モデルは、オブジェクトを認識する能力に関連する「どの領域」に存在するかを提案する。
オブジェクトを認識する能力に関連する「何」リージョン内に我々のオブジェクト認識モデルが存在する事を提案する。
? どのように我々のモデルに照らして「どこで」の経路を解釈 ry ？
「どこ」の経路を我々はどの様に我々のモデルに照らし解釈するのだろうか？
第1に、2つの経路における解剖学的構造は類似 。
これは、「what」と「where」領域が同様の操作を実行するが、異なるタイプのデータを処理することによって異なる結果を達成することを示唆 。
例えば、我々のネットワークは、位置信号が自我中心の位置を表す場合に、自我中心空間のモデルを学習 できる。
? ry 運動行動を割り当て場所に変換するために、何処、どこの領域が必要であるかという双方向性のつながりがあると考えている。
第二に、我々は、自我中心の運動行動をアロケートロケーションに変換する為に、お互いに双方向性の繋がりがある、何とどこ、の 2 つのリージョンが必要であると考えている。
私たち 、これらのアイデアを模索 。

http://rio2016.5ch.net/test/read.cgi/future/1545018277/36

上下前次1-新書関写板覧索設栞歴

ｽﾚ情報赤ﾚｽ抽出画像ﾚｽ抽出歴の未読ｽﾚ AAｻﾑﾈｲﾙ

ぬこの手ぬこTOP 0.041s