Neural Theorizer apprende teorie del mondo da osservazioni grezze
Un nuovo framework di machine learning chiamato Learning-to-Theorize è stato presentato dai ricercatori, consentendo all'IA di derivare teorie esplicative esplicite da dati non testuali e non elaborati. Questo approccio innovativo si ispira alla scienza cognitiva dello sviluppo, che sostiene che la comprensione umana si sviluppi attraverso la formazione di teorie interne prima di padroneggiare il linguaggio. Il framework è realizzato tramite Neural Theorizer (NEO), un'architettura neurale probabilistica che genera programmi latenti come un Linguaggio del Pensiero appreso, eseguendoli attraverso un modello di transizione comune. All'interno di NEO, le teorie sono rappresentate come programmi eseguibili e composizionali, con componenti apprese che possono essere sistematicamente riassemblate per spiegare nuovi fenomeni. Questa ricerca è stata documentata su arXiv con ID 2605.03413.
Fatti principali
- Learning-to-Theorize è un nuovo paradigma di apprendimento per inferire teorie esplicative da osservazioni grezze.
- Il paradigma è ispirato alla scienza cognitiva dello sviluppo.
- NEO (Neural Theorizer) è un modello neurale probabilistico che induce programmi latenti.
- NEO utilizza un Linguaggio del Pensiero appreso e un modello di transizione condiviso.
- Le teorie in NEO sono programmi eseguibili e composizionali con primitive ricombinabili.
- La ricerca è stata pubblicata su arXiv con ID 2605.03413.
- L'approccio contrasta con i modelli del mondo contemporanei che si concentrano sulla previsione accurata del futuro.
- Il lavoro mira a operazionalizzare la comprensione come costruzione di teorie piuttosto che come previsione.
Entità
Istituzioni
- arXiv