이 논문은 효율적인 기계 학습을 위한 새로운 이론적 틀인 풀어내기-엉키기 순환(Tangling-Untangling Cycle, TUC)을 제안한다.
데이터 매니폴드를 고차원 공간으로 확장하여 선형 분류가 가능하도록 하는 풀어내기 과정과, 고차원 표현을 저차원으로 축소하여 일반화를 달성하는 엉키기 과정으로 구성된다.
풀어내기 과정에서는 입력 데이터와 레이블을 결합한 문맥 의존적 표현(CDR)을 만들어 선형 분류가 가능하도록 한다. 엉키기 과정에서는 적분 변환을 통해 문맥 독립적 표현(CIR)으로 복원하여 일반화를 달성한다.
TUC는 생물학적으로도 타당성이 있어, 수면-각성 주기(SWC)와 연결될 수 있다. 각성 상태에서는 풀어내기가, 수면 상태에서는 엉키기가 일어나 효율적 학습을 지원한다.
TUC 이론은 공간 탐색, 물체 인식, 운동 제어 등 다양한 인지 기능을 모델링하는데 활용될 수 있다. 또한 감각-운동 상호작용과 사회적 상호작용에 대한 새로운 관점을 제시한다.
Til et andet sprog
fra kildeindhold
arxiv.org
Vigtigste indsigter udtrukket fra
by Xin Li kl. arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.05484.pdfDybere Forespørgsler