脳を理解するための情報源メモ
脳を理解し BESOM モデルを拡張するために必要な知識の 良質な情報源を、独断で選んで紹介します。 （ 2014-06-04 更新） （2013-02-07: 内容が一部古くなっています。 また、少し敷居を上げ過ぎた感があるので、もう少し絞り込んで整理し直したいと思っています。） ★★★・・・ 必読。脳を理解しようとする人は必ず目を通すべきだと思います。 ★・・・ おすすめ。大変役に立ちます。 * こちらもご覧ください。 「脳を理解するための情報源メモ」更新予定メモ 目次 脳科学全般 機械学習 パターン認識、 自己組織化マップ、 ベイジアンネット、 独立成分分析、 主成分分析、 強化学習、 特徴選択、 正則化、 フレーム、 Deep Learning 認知科学・心理学 遂行機能、 事象関連電位、 アフォーダンス、 選択的注意 神経科学 神経解剖学、 計算論的神経科学 哲学 意識、 自由意
全脳アーキテクチャ解明に向けて
ヒトの脳は大脳皮質、大脳基底核、海馬などの器官から構成される 汎用の機械学習装置です。 この脳全体のアーキテクチャの詳細が解明できれば、 人間のような知能を持ったロボットが実現可能になり、 人類に莫大な利益をもたらすでしょう。 今日ではそれは夢物語ではありません。 脳の各器官の計算論的モデルは不完全ながらすでに出そろっており、 それらがどう連携して脳全体の機能を実現しているのかを、 全力で解明すべき時期に来ています。 しかし、全脳アーキテクチャ解明を目指す研究者は、 その重要性に見合うだけの数がいるとは思えません。 このページでは、解明を目指す研究者が １人でも増えるように、微力ながら情報発信していきます。 ◆NEWS!◆ 2014-05-07 ・汎用人工知能研究会の Web サイトができました。 汎用人工知能と技術的特異点 この中に全脳アーキテクチャ勉強会のページもあります。 全脳アーキ
脳における思考の役割とその実現機構についての考察(PDF)
「脳における思考の役割と その実現機構についての考察」 2013-05-14 産業技術総合研究所 一杉裕志 概要 • 思考に必要な機構についての考察 • 「セロトニン＝思考中フラグ」仮説の提案 • 運動遮断、感覚遮断の機構についての考察 動物にとって思考とは？ 「思考 - Wikipedia」 – 「広義には「心」が動くことそのものを言い、「内化 された心像・概念・言語を操作すること」である。」 – 「狭義には、何らかの目標達成や問題解決のた めに行う一連の情報処理を指し、思考する対象 の意味を理解しながら進められる認知的な行動 である。ここで思考が使う情報とは、記憶の中に 分布するホログラムと言える。そして思考は、組 織化された外部情報を成分要素とする内的なシ ミュレーションと定義される。これによって人間は 様々な予測を得る。」 http://ja.wikipedia.org/wiki/
脳とベイジアンネット
ベイジアンネットを用いて大脳皮質の機能を再現するモデルが少しづつ増えています。 ベイジアンネットは大脳皮質の複雑で多様な振る舞いを少ない仮定で計算論的にきれいに説明するだけでなく、アルゴリズムやデータ構造、それらを実現する神経回路にいたるまで、大脳皮質に対する幅広く詳細な説明を与えつつあります。 ベイジアンネットに基づいて脳を理解することは、高い知能を持つロボットの実現に向けたブレークスルーになると考えています。 解説 「脳とベイジアンネットＦＡＱ」 脳とベイジアンネットに関して私がよく聞かれる質問です。 「解説：大脳皮質とベイジアンネット」 日本ロボット学会誌に載せていただいた解説です。（この pdf ファイルは日本ロボット学会の著作物です。） 一杉裕志, 解説：大脳皮質とベイジアンネット、 日本ロボット学会誌 Vol.29 No.5, pp.412--415, 2011. 「脳は計算機
Deep learning 用語集
deep learning とは、従来よりも多くの層を持ったニューラルネットを用いる 機械学習技術です。 deep learning は、画像認識、音声認識などの分野で、 いろいろなベンチマークで従来技術を超える性能を出しており、 注目を集めています。 私自身も勉強不足ですが 僭越ながら、 deep learning 関連用語について自分の理解で簡単にまとめました。 （挙げてある原論文もちゃんと読んでません！ 間違いがあればぜひご指摘ください。） Deep Learning auto-encoder または RBM などを積み重ねた深い構造を持つ機械学習器。 従来は研究者が手作りしていた特徴抽出器を、 代わりに大量のデータから学習させ自己組織化させるアプローチとも言える。 deep learning を特徴抽出器として使い、 識別器としては最上位層でＳＶＭなどを使うこともある。 deep
一杉裕志
＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊ この業務用個人 web ページの中身およびレイアウトを近々大幅に整理する予定です。 なお、数年後には完全閉鎖予定ですのでご注意ください。 ＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊＊ 研究テーマ： 脳型汎用人工知能アーキテクチャの研究開発 人間のような知能を持つ機械を実現する最も確実な方法は、脳の動作原理を解明し、それを模倣することです。 私は自ら再帰的に目標を設定する強化学習 RGoal を用いた脳型汎用人工知能(AGI)アーキテクチャの構築を目指しています。 また、計算論的神経科学の分野で知られている大脳皮質に関する知見をヒントにした BESOM と呼ぶ 機械学習アルゴリズムの開発も行っています。 BESOM は複数の機械学習技術 （自己組織化マップ、ベイジアンネット、
脳とコンピュータとの違い
脳と現状のコンピュータは、計算モデル、アーキテクチャ、 アルゴリズムなどいろいろな観点からみて違いがあります。 はたしてコンピュータの上で脳と同じ機能は実現できるのでしょうか。 実現を難しくする要因として何が考えられるでしょうか。 ◆計算モデルの違い 計算する機械を数学的に抽象化したものを計算モデルと呼びます。 チューリングマシンは計算モデルの１つです。 チューリングマシンとは数学的に異なる計算モデルとしては、 例えば非決定性チューリングマシン、 （理想的な）アナログコンピュータ、量子チューリングマシン （量子コンピュータのモデル）があります。 これらはチューリングマシンよりも強力だったり速かったりします。 さて、「脳の計算モデル」はチューリングマシンと等価でしょうか、 それともより強力だったり速かったりするのでしょうか。 非決定性チューリングマシンは並列度が無限の計算機です。 脳は超並列
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
https://staff.aist.go.jp/y-ichisugi/besom/20150929wiredai.pdf