Using cortically-inspired algorithms for analogical learning and reasoning

ما فرضیه الهام گرفته از نورولوژیک را در نظر می گیریم که شناخت سطح بالاتری بر پایه ساختارهای اساسی بنیادین به عنوان ادراک سطح پایین ساخته شده است. بدین معنی که یک الگوریتم پایه ای است که قادر به ارائه و نتیجه گیری در داده های سنسور سطح پایین می تواند برای پردازش ساختارهای مرتبط استفاده شود. ما یک سیستم را ارائه می دهیم که ساختارهای ارتباطی را به عنوان کیسه های ویژه نشان می دهد. با استفاده از این نمایندگی، سیستم ما الگوریتم های الهام گرفته از قشر حسی را به طور خودکار یک هستی شناسی ساختارهای رابطه ای ایجاد می کند و به طور موثر برای ساختارهای ارتباطی جدید از حافظه بلند مدت بازیابی می کند. ما تظاهراتی از رویکرد ما را ارائه می دهیم که به عنوان ورودی مجموعه ای از داستان های مخلوط شده، هسته شناسی طرح های مشابه (متناظر با دستگاه های رسم) را ایجاد می کند و از این هستی شناسایی برای پیدا کردن آنالوگ ها در داستان های جدید در لگاریتمی زمان در تعداد کل داستان ها، صرفه جویی در وقت صرفه جویی در زمان بازیابی آنالوگ خطی تنها با یک قربانی کوچک در دقت. ما همچنین مدرک مفهومی را برای چگونگی چارچوب ما برای الگوریتم های الهام گرفته از کورکورانه ارائه می کنیم تا نتیجه گیری مشابه را انجام دهند. در نهایت، ما بحث می کنیم چگونه بینش از سیستم ما می تواند استفاده شود به طوری که یک مدل الهام گرفته از ذهن می تواند به عنوان مکانیسم اصلی برای یک معماری شناختی کامل خدمت می کنند.