Войти
Обучение коннекционистов с помощью адаптивного введения правил в Интернете (CLARION ) - вычислительная когнитивная архитектура который использовался для моделирования многих областей и задач в когнитивной психологии и социальной психологии, а также для реализации интеллектуальных систем в приложениях искусственного интеллекта. Важной особенностью CLARION является различие между процессами неявным и явным и сосредоточение внимания на взаимодействии между этими двумя типами процессов. Система была создана исследовательской группой под руководством Рона Сан.
Clarion Framework CLARION - это интегративная когнитивная архитектура, состоящая из ряда отдельных подсистем с двойной репрезентативной структурой в каждой подсистеме (неявные и явные репрезентации; Sun et al., 2005). Его подсистемы включают в себя подсистему, ориентированную на действие, подсистему, не ориентированную на действие, подсистему мотивации и метакогнитивную подсистему.
Роль подсистемы, ориентированной на действие, заключается в управлении как внешними, так и внутренними действиями. Неявный уровень состоит из нейронных сетей, называемых нейронными сетями действий, а явный уровень состоит из правил действий. Между двумя уровнями может быть синергия, например, обучение навыку может быть ускорено, когда агенту необходимо установить явные правила для данной процедуры. Утверждалось, что неявное знание само по себе не может оптимизировать так же хорошо, как сочетание явного и неявного.
Роль подсистемы, не ориентированной на действие, заключается в поддержании общих знаний. Неявный слой состоит из ассоциативных нейронных сетей, а нижний слой - из ассоциативных правил. Знание далее делится на семантическое и эпизодическое, где семантическое - это обобщенное знание, а эпизодическое - это знание, применимое к более конкретным ситуациям. Также важно отметить, что, поскольку существует неявный уровень, не все декларативные знания должны быть явными.
Роль подсистемы мотивации заключается в обеспечении основных мотиваций для восприятия, действия и познания. Система мотивации в CLARION состоит из побуждений на нижнем уровне, и каждое побуждение может иметь разную силу. Есть побуждения низкого уровня, а также побуждения высокого уровня, направленные на поддержание устойчивости, целеустремленности, сосредоточенности и адаптивности агента. Явный слой мотивационной системы состоит из целей. явные цели используются потому, что они более устойчивы, чем неявные мотивационные состояния. Согласно концепции CLARION, мотивационные процессы человека очень сложны и не могут быть представлены только в явном виде.
Примеры некоторых низкоуровневых приводов включают:
Примеры некоторых побуждений высокого уровня включают:
Существует также возможность для производных приводов (обычно из попытки удовлетворить первичные приводы), которые могут быть созданы либо с помощью кондиционирования, либо с помощью внешних инструкций. каждый необходимый импульс будет иметь пропорциональную силу, возможность также будет принята во внимание
Роль метакогнитивной подсистемы заключается в отслеживании, управлении и изменении операций всех остальных подсистем. Действия в метакогнитивной подсистеме включают в себя: постановку целей для подсистемы, ориентированной на действие, установку параметров для подсистем действия и бездействия и изменение текущего процесса как в подсистемах действия, так и в подсистемах бездействия.
Обучение может быть представлено как явным, так и неявным знанием по отдельности, а также может быть представлено обучение снизу вверх и сверху вниз. Обучение с использованием неявных знаний представлено с помощью Q-обучения, в то время как обучение с использованием только явных знаний представлено с помощью однократного обучения, такого как проверка гипотез. Обучение снизу вверх (Sun et al., 2001) представлено через нейронную сеть, распространяющуюся на явный уровень с помощью алгоритма извлечения правил (RER), в то время как обучение сверху вниз может быть представлено множеством способов.
Для сравнения с несколькими другими когнитивными архитектурами (Sun, 2016):
CLARION использовался для учета множества психологических данных (Sun, 2002, 2016), например, задача на время последовательной реакции, задача на изучение искусственной грамматики, задача управления процессом, задача категориального вывода, задача по арифметике по алфавиту и задача Ханойской башни. Задачи последовательного реагирования и управления процессами являются типичными задачами неявного обучения (в основном включающими неявные реактивные процедуры), в то время как Ханойская башня и алфавитная арифметика являются задачами высокого уровня (со значительным присутствием явных процессов). Кроме того, была проделана обширная работа по сложной задаче навигации по минным полям, которая предполагает комплексное последовательное принятие решений. Также была начата работа над задачами принятия организационных решений и другими задачами социального моделирования (например, Naveh and Sun, 2006), а также над метакогнитивными задачами.
Другие приложения когнитивной архитектуры включают моделирование творчества (Helie and Sun, 2010) и обращение к вычислительной основе сознания (или искусственного сознания ) (Coward and Sun, 2004).
. Coward, L.A. Sun, R. (2004). Критерии эффективной теории сознания и некоторые предварительные попытки. Сознание и познание, 13, 268-301.
Хели Х. и Сан Р. (2010). Инкубация, понимание и творческое решение проблем: объединенная теория и коннекционистская модель. Psychological Review, 117, 994-1024.
Навех И. и Сан Р. (2006). Когнитивное моделирование академической науки. Вычислительная и математическая теория организации, 12, 313-337.
Сан, Р. (2002). Двойственность разума: подход снизу вверх к познанию. Махва, Нью-Джерси: Lawrence Erlbaum Associates.
Сан, Р. (2016). Анатомия разума: изучение психологических механизмов и процессов с помощью когнитивной архитектуры Clarion. Издательство Оксфордского университета, Нью-Йорк.
Сан, Р. (2003). Учебное пособие по CLARION 5.0. Технический отчет, Департамент когнитивных наук, Политехнический институт Ренсселера.
Сан Р., Меррилл Э. и Петерсон Т. (2001). От неявных навыков к явным знаниям: восходящая модель обучения навыкам. Когнитивная наука, 25, 203-244. https://web.archive.org/web/20191218033659/http://www.cogsci.rpi.edu/~rsun/
Сан, Р., Слюсарз, П., и Терри, К. (2005). Взаимодействие явного и неявного в обучении навыкам: подход с двумя процессами. Психологический обзор, 112, 159–192. https://web.archive.org/web/20191218033659/http://www.cogsci.rpi.edu/~rsun/
Sun, R. Zhang, X. (2006). Учет различных данных рассуждений в когнитивной архитектуре. Журнал экспериментального и теоретического искусственного интеллекта, 18, 169-191.
