元认知的概率基础通过混合人工智能实现.pdfVIP

元认知的概率基础通过混合人工智能实现

123

PauloShakarian,GerardoI.Simari,NathanielD.Bastian

1ArizonaStateUniversity,Tempe,AZUSA

2DepartamentofComputerScienceandEngineering,UniversidadNacionaldelSur(UNS)

InstituteforComputerScienceandEngineering(UNS-CONICET),BahíaBlanca,Argentina

2UnitedStatesMilitaryAcademy,WestPoint,NYUSA

pshak02@,gis@.ar,nathaniel.bastian@

Abstract论文和基础模型来源自

用例条件

元认知是指推理代理自身的内部过程的概念，最近在人Krichelietal.(2024)ViTHier.class

工智能（AI）以及更具体的机器学习系统方面受到了新Visionlabels,other

的关注。本文回顾了一种名为“错误检测和纠正规则”models

本(EDCR)的混合AI方法，该方法允许学习规则以纠正感Xietal.(2024)CNN,LRCN,Dom.kn,

译知（例如，神经）模型。此外，我们引入了一个概率框TrajectoryclassificationLRCNaothermodels

架，为先前的经验研究增添了严谨性，并使用此框架证Leeetal.(2024)CNN,RNN,Othermodels

中明了元认知改进的必要和充分条件的结果，以及该方法TimeseriesclassificationAttention

3的局限性。还提供了一组未来的研究方向。

v表1:现有文献关于EDCR的总结。

8

9

31介绍2错误检测与校正规则

5

0.最初来自发展心理学(Flavell1979)，元认知指的在此框架中，我们获得了一个训练良好的模型，通

2常表示为，它接受一些连续输入（例如一个向量）并

0是对代理自身的内部过程进行推理(Weietal.2024)。

5这种元认知的概念，被认为是人脑的“自我监控过返回一组类别标签。我们将使用下标（例如或）来

2表示相关的多个模型。我们注意到该模型不一定是神经

:程”(Demetriouetal.1993)，已在多种领域中进行了

v研究(Lietal.2017;Izzo,Märtens,andPan2019;Cae-网络的（尽管所有现有研究都集中在神经网络模型上），

i

xsaretal.2020)。多年来，在人工智能领域(Coxand并且一般来说，我们不对模型权重进行访问假设。我们

r