CLARION (인지 아키텍처)

CLARION (cognitive architecture)

CLARION(Adaptive Rule Induction On-line)을 통한 연결주의 학습은 인지심리학 및 사회심리학에서 많은 영역과 작업을 시뮬레이션하고 인공지능 애플리케이션에서 지능형 시스템을 구현하기 위해 사용되어 온 컴퓨터 인지 아키텍처입니다.CLARION의 중요한 기능은 암묵적 프로세스와 명시적 프로세스를 구별하고 이들 두 유형의 프로세스 간의 상호작용을 포착하는 데 초점을 맞춘다는 것입니다.이 시스템은 Ron Sun이 이끄는 연구 그룹에 의해 만들어졌다.

Clarion 프레임워크

개요

CLARION은 통합 인지 아키텍처로, 심리 현상을 설명하고 시뮬레이션하는데 사용되며, 이는 잠재적으로 심리 현상에 대한 통일된 설명을 이끌 수 있습니다.CLARION 이론에는 세 가지 계층이 있습니다. 첫 번째 계층은 정신의 핵심 이론입니다.주요 이론은 CLARION의 필수 구조인 여러 개의 개별 하위 시스템으로 구성되며, 각 하위 시스템에 이중 표현 구조가 있다(암묵적 대 명시적 표현; Sun 등, 2005).그 서브시스템은 동작중심 서브시스템, 비동작중심 서브시스템, 동기부여 서브시스템 및 메타인지 서브시스템을 포함한다.두 번째 계층은 기본 이론을 구현하는 계산 모델로 구성되어 있으며, 첫 번째 수준 이론보다 더 상세하지만 여전히 일반적입니다.세 번째 계층은 심리적 과정이나 현상에 대한 구체적인 구현 모델과 시뮬레이션으로 구성된다.이 계층의 모델은 기본 이론과 일반적인 계산 모델에서 발생합니다.

이중 표현 구조

암묵적 프로세스와 명시적 프로세스의 구별은 Clarion 인지 [1]아키텍처의 기본입니다.이러한 구별은 주로 암묵적 기억과 암묵적 학습을 뒷받침하는 증거에 의해 동기 부여된다.클라리온은 절차적 기억과 선언적 기억의 구별과는 독립적으로 암묵적 구별을 포착합니다.암묵적 구별을 포착하기 위해 Clarion은 암묵적 지식을 포착하는 두 개의 병렬 및 상호작용적 표현 시스템을 각각 가정합니다.명시적 지식은 지역주의 표현과 관련지어지며 암묵적 지식은 분산 표현과 관련지어진다.

명시적 지식은 아키텍처의 최상위 레벨에 있는 반면 암묵적 지식은 하위 [1][2]레벨에 있습니다.두 레벨 모두 기본 표현 단위는 연결주의 노드이며, 두 레벨은 부호화 유형에 따라 다릅니다.최상위 레벨에서는 지식은 로컬리스트 청크노드를 사용하여 부호화되는 반면, 하위 레벨에서는 지식은 (마이크로) 기능 노드의 컬렉션을 통해 분산된 방식으로 부호화됩니다.지식은 두 수준 간에 중복으로 인코딩될 수 있으며 두 수준 내에서 병렬로 처리될 수 있습니다.최상위 레벨에서는 정보처리는 규칙에 의해 청크노드 간에 활성화 전달을 포함하며, 하위 레벨에서는 인공신경망을 통한 (마이크로) 기능 활성화 전파를 포함한다.하향식 및 상향식 정보 흐름은 두 수준 간의 링크에 의해 활성화됩니다.이러한 링크는 각각 단일 청크노드, (마이크로) 피처 노드 집합 및 (마이크로) 피처 노드 간의 링크로 구성된 Clarion 청크로 확립됩니다.이러한 방식으로 단일 지식 청크는 명시적(즉, 로컬리스트) 형식과 암묵적(즉, 분산적) 형식으로 모두 표현될 수 있지만, 이러한 이중 표현이 항상 필요한 것은 아니다.

이중 표현 구조를 통해 암묵적인 프로세스와 명시적인 프로세스가 통신하고 잠재적으로 콘텐츠를 용장하게 인코딩할 수 있습니다.그 결과 클라리온 이론은 암묵적 프로세스와 명시적 [1][3][4][5]프로세스 간의 시너지 상호작용 측면에서 학습 속도 향상 효과, 구두화 관련 성능 향상, 전송 태스크 성능 향상 및 유사성 기반 추론 수행 능력 등 다양한 현상을 설명할 수 있습니다.이러한 상호작용에는 아키텍처 내의 활성화 흐름(예: 유사성 기반 추론은 공유(마이크로) 기능을 통해 청크 간의 활성화뿐만 아니라 상향식, 하향식 및 병렬 학습 프로세스를 통해 지원됨)이 모두 포함됩니다.상향식 학습에서는 하위 레벨의 (마이크로) 기능 간의 연관성이 추출되어 명시적 규칙으로 부호화됩니다.하향식 학습에서는 상위 레벨의 규칙이 하위 레벨의 암묵적 연관성 개발을 안내합니다.또한 학습은 암묵적 과정과 명시적 과정을 동시에 다루면서 병행하여 수행될 수 있습니다.이러한 학습 프로세스를 통해 지식은 에이전트 이력에 따라 중복 또는 보완적인 방식으로 인코딩될 수 있습니다.시너지 효과는 부분적으로 이러한 학습 과정의 상호작용에서 발생합니다.시너지 효과를 설명하기 위한 또 다른 중요한 메커니즘은 아키텍처의 다른 레벨로부터의 신호의 조합과 상대적 균형입니다.예를 들어, 한 Clarion 기반 모델링 연구에서 암묵적 프로세스와 명시적 프로세스의 상대적 기여에 대한 불안 주도적 불균형이 [6]압력 하에서 성능 저하를 일으키는 메커니즘일 수 있다는 것이 제안되었다.

서브시스템

Clarion 인지 아키텍처는 4개의 서브시스템으로 구성됩니다.

액션 중심 서브시스템

액션 중심 서브시스템의 역할은 외부 액션과 내부 액션을 모두 제어하는 것입니다.암묵적 계층은 액션 뉴럴 네트워크라고 불리는 신경 네트워크로 구성되어 있는 반면, 명시적 계층은 액션 규칙으로 구성되어 있습니다.2개의 레이어 사이에 시너지가 발생할 수 있습니다.예를 들어 에이전트가 수중에 있는 절차에 대해 명시적인 규칙을 작성해야 할 경우 스킬을 습득할 수 있습니다.암묵적 지식만으로는 명시적 지식 및 암묵적 지식 모두를 최적화할 수 없다는 주장이 제기되어 왔다.

비액션 중심 서브시스템

비액션 중심 서브시스템의 역할은 일반 지식을 유지하는 것입니다.암묵적 레이어는 어소시에이션뉴럴 네트워크로 구성되며, 하위 레이어는 어소시에이션 규칙입니다.지식은 의미론과 일회성으로 더욱 나뉘는데, 여기서 의미론은 일반화된 지식이고, 일시론은 보다 구체적인 상황에 적용할 수 있는 지식이다.또한 암묵적인 계층이 있기 때문에 모든 선언적 지식이 명시적일 필요는 없다는 점에 유의해야 합니다.

동기부여 서브시스템

동기부여 서브시스템의 역할은 지각, 행동, 인지 등에 대한 근본적인 동기를 제공하는 것이다.CLARION의 동기 부여 시스템은 하위 레벨의 드라이브로 구성되며 각 드라이브의 강점은 다양합니다.낮은 수준의 드라이브와 에이전트를 지속적이고, 목적 있고, 집중적이며, 적응력이 뛰어난 상태로 유지하기 위한 고급 드라이브가 있습니다.동기 부여 시스템의 명시적 계층은 목표로 구성됩니다.명시적 목표는 암묵적인 동기 부여 상태보다 더 안정적이기 때문에 사용된다.CLARION 프레임워크에서는 인간의 동기 부여 프로세스는 매우 복잡하며 명시적인 표현만으로 나타낼 수 없다고 보고 있습니다.

일부 로우 레벨 드라이브의 예는 다음과 같습니다.

  • 음식.
  • 물.
  • 복제품
  • 불쾌한 자극을 피하는 것(다른 저수준의 추진력에서 상호 배타적이지 않고 보다 구체적인 자극 가능성을 위해 분리됨)

일부 고급 드라이브의 예는 다음과 같습니다.

  • 소속 및 소속
  • 인지도와 성과
  • 우위성과 힘
  • 공정성

또한 (일반적으로 프라이머리 드라이브를 만족시키기 위해 노력함으로써) 컨디셔닝 또는 외부 지시를 통해 생성할 수 있는 파생 드라이브도 있습니다.필요한 각 드라이브의 강도는 비례하며 기회도 고려됩니다.

메타인지 서브시스템

메타 인식 서브시스템의 역할은 다른 모든 서브시스템의 동작을 감시, 지시 및 변경하는 것입니다.메타인지 서브시스템에서의 액션에는 액션 중심 서브시스템에 대한 목표 설정, 액션 및 비액션 서브시스템에 대한 파라미터 설정, 액션 서브시스템과 비액션 서브시스템 모두에서 진행 중인 프로세스 변경 등이 포함됩니다.

학습

학습은 명시적 지식 및 암묵적 지식으로 개별적으로 나타낼 수 있으며 상향식 학습과 하향식 학습도 나타낼 수 있습니다.암묵적 지식을 통한 학습은 Q-러닝을 통해 표현되며, 명시적 지식만을 통한 학습은 가설 테스트와 같은 원샷 학습으로 표현된다.상향식 학습(Sun et al., 2001)은 규칙 추출 수정 알고리즘(RER)을 통해 명시적 계층까지 전파되는 신경 네트워크를 통해 표현되는 반면 하향식 학습은 다양한 방법을 통해 표현될 수 있다.

다른 인지 아키텍처와의 비교

몇 가지 다른 인지 아키텍처와 비교하기 위해 (Sun, 2016년)

  • ACT-R은 동작중심 서브시스템과 비동작중심 서브시스템 간의 CLARION의 구별과 다소 유사한 절차적 메모리와 선언적 메모리 간의 구분을 사용합니다.그러나, ACT-R은 CLARION 이론의 기본 가정인 암묵적 프로세스와 명시적 프로세스 사이에 명확한 (프로세스 기반 또는 표현 기반) 구분이 없습니다.
  • 급증은 암묵적 인식과 명시적 인식 사이 또는 절차적 기억과 선언적 기억 사이의 명확한 표현 기반 또는 프로세스 기반 차이를 포함하지 않습니다. 이는 문제 공간, 상태 및 연산자의 아이디어에 기초합니다.목표 스택에 미결 목표가 있는 경우, 다른 생산은 목표 달성을 위한 다른 연산자와 연산자 선호도를 제안합니다.
  • EPIC는 ACT-R과 유사한 생산 시스템을 채택하고 있습니다.단, CLARION에서 필수적인 암묵적 프로세스와 명시적 프로세스의 이분법은 포함되지 않습니다.

이론적 응용 프로그램

CLARION은 연속 반응 시간 과제, 인공 문법 학습 과제, 프로세스 제어 과제, 범주형 추론 과제, 알파벳 산술 과제, 하노이 타워 과제 등 다양한 심리 데이터(Sun, 2002, 2016)를 설명하기 위해 사용되어 왔다.연속 반응 시간과 프로세스 제어 태스크는 전형적인 암묵적 학습 태스크(주로 암묵적 반응 루틴 포함)인 반면, 하노이 타워와 알파벳 산술은 높은 수준의 인지 기술 습득 태스크(명시적 프로세스의 상당한 존재)이다.또한 복잡한 지뢰밭 탐색 작업에 대한 광범위한 작업이 수행되었으며, 여기에는 복잡한 순차적 의사결정이 수반된다.메타 인지 태스크뿐만 아니라 조직 의사결정 태스크 및 기타 사회 시뮬레이션 태스크(예: Naveh and Sun, 2006)에 대한 작업도 시작되었다.

인지 아키텍처의 다른 응용 프로그램으로는 창의성의 시뮬레이션(Helie and Sun, 2010)과 의식의 계산적 기초(또는 인공의식)의 대처(Coward and Sun, 2004)가 있다.

레퍼런스

  1. ^ a b c Sun, Ron (2016-03-01). Anatomy of the Mind: Exploring Psychological Mechanisms and Processes with the Clarion Cognitive Architecture. Oxford University Press. doi:10.1093/acprof:oso/9780199794553.001.0001. ISBN 978-0-19-979455-3.
  2. ^ Sun, Ron (2001-09-01). Duality of the Mind : A Bottom-up Approach Toward Cognition. Psychology Press. doi:10.4324/9781410604378. ISBN 978-1-4106-0437-8.
  3. ^ Sun, Ron; Merrill, Edward; Peterson, Todd (2001). "From implicit skills to explicit knowledge: a bottom-up model of skill learning". Cognitive Science. 25 (2): 203–244. doi:10.1207/s15516709cog2502_2. ISSN 1551-6709.
  4. ^ Sun, Ron; Zhang, Xi (2006-06-01). "Accounting for a variety of reasoning data within a cognitive architecture". Journal of Experimental & Theoretical Artificial Intelligence. 18 (2): 169–191. doi:10.1080/09528130600557713. ISSN 0952-813X. S2CID 29729283.
  5. ^ Domangue, Thomas J.; Mathews, Robert C.; Sun, Ron; Roussel, Lewis G.; Guidry, Claire E. (2004). "Effects of Model-Based and Memory-Based Processing on Speed and Accuracy of Grammar String Generation". Journal of Experimental Psychology: Learning, Memory, and Cognition. 30 (5): 1002–1011. doi:10.1037/0278-7393.30.5.1002. ISSN 1939-1285. PMID 15355132.
  6. ^ Wilson, Nicholas R.; Sun, Ron; Mathews, Robert C. (2009-07-01). "A motivationally-based simulation of performance degradation under pressure". Neural Networks. 22 (5–6): 502–508. doi:10.1016/j.neunet.2009.06.022. ISSN 0893-6080. PMID 19608380.

겁쟁이, L.A. & Sun, R. (2004)효과적인 의식 이론과 몇 가지 예비 시도를 위한 기준입니다.의식과 인지, 13, 268-301.

H. H. 및 Sun, R. (2010).육성, 통찰력, 창의적 문제 해결: 통합 이론과 연결주의 모델.심리학 리뷰, 117, 994-1024

Naveh, I. & Sun, R. (2006)인지 기반 학술 과학 시뮬레이션입니다.계산 및 수학적 조직론, 12, 313-337.

Sun, R. (2002)정신의 이중성: 인식에 대한 상향식 접근.마와, 뉴저지 주: 로렌스 얼바움 어소시에이트.

선, R. (2016년)정신의 해부학: 클라리온 인지 아키텍처로 심리 메커니즘과 과정을 탐구합니다.옥스포드 대학 출판부, 뉴욕

Sun, R. (2003)CLARION 5.0 튜토리얼Rensselaer Polytechnic Institute 인지과학부 기술 보고서.

Sun, R., Merrill, E. & Peterson, T. (2001)암묵적 기술에서 명시적 지식까지:기술 습득의 상향식 모델.인지과학, 25, 203-244https://web.archive.org/web/20191218033659/http://www.cogsci.rpi.edu/~rsun/

Sun, R., Slusarz, P. 및 Terry, C.(2005)스킬 러닝에서의 명시적 학습과 암묵적 학습의 상호작용: 이중 프로세스 접근법.심리리뷰, 112, 159-192.https://web.archive.org/web/20191218033659/http://www.cogsci.rpi.edu/~rsun/

Sun, R. & Zhang, X. (2006)인지 아키텍처 내에서 다양한 추론 데이터를 회계처리합니다.실험 및 이론 인공지능 저널, 18, 169-191.

외부 링크