Core Concepts
초고차원 컴퓨팅을 활용하여 독립적으로 학습된 인지 지도 학습기들을 조립하고 계층화하여 Tower of Hanoi 퍼즐을 해결할 수 있다.
Abstract
이 연구는 초고차원 컴퓨팅(HDC)을 활용하여 인지 지도 학습기(CML)의 노드 상태를 표현하는 방법을 제시합니다. CML은 단일 계층 인공 신경망 집합으로, 노드 상태, 엣지 액션, 엣지 액션 가용성을 학습합니다. HDC를 통해 CML의 노드 상태를 의미 있는 고차원 벡터로 표현할 수 있어, 다른 HDC 기반 모듈과 의미 있게 상호작용할 수 있습니다.
이 연구에서는 Tower of Hanoi 퍼즐을 해결하기 위해 1-4개의 CML을 조립하고 계층화하는 다양한 방법을 제시합니다. 각 링의 움직임을 독립적으로 학습한 CML을 재활용하여 퍼즐을 해결하였으며, CML의 기저 그래프 구조에 대한 명시적 참조 없이도 작동합니다. 이는 생물학적으로 타당한 인지 추상화 및 조율을 위한 템플릿을 제공합니다.
Stats
초고차원 벡터의 길이는 d = 1000으로 설정되었습니다.
무작위로 생성된 초고차원 벡터들의 최대 유사도는 |δmax(x, y)| < 0.1로 나타났습니다.
CML의 노드 상태 벡터 s의 부호 버전 sgn(s)과 실제 노드 상태 s 간 유사도는 δ(si, sgn(si)) = 0.860 ± 0.030으로 매우 높았습니다.
27개의 Tower of Hanoi 노드 상태 t를 링 노드 상태 l, m, s의 합으로 표현한 경우, δ(tijk, li) ~ δ(tijk, mj) ~ δ(tijk, sk) = 0.503 ± 0.023의 유사도를 보였습니다.
Quotes
"CML은 특정 목적에 최적화된 독립적인 ML 모듈이 될 수 있으며, 다른 ML 모듈과 표준화된 측면을 공유하여 임의로 통합(또는 교체)될 수 있습니다."
"HDC는 인공 신경망을 대체하는 것이 아니라 보완합니다. 또한 명시적 지식 사전을 사용하여 협력 학습을 예상할 수 있습니다."