Este no es realmente un artículo de 2011 (septiembre de 2010), aunque las versiones revisadas siguen apareciendo a medida que el autor desarrolla aún más sus modelos, pero ciertamente vale la pena leerlo.
Si pudiera apostar, en las condiciones adecuadas, diría que esta pieza tiene el potencial de convertirse en una de las ideas más influyentes de CS en las próximas dos décadas en la interacción entre la psicología y el aprendizaje automático. La conclusión es que se publicó en una revista subestimada y es probable que este artículo en particular tenga un impacto menor o nulo en la forma en que entendemos la creatividad y la motivación [ editar : porque es probable que las personas más interesadas no lo lean].
Estoy hablando de Schmidhuber, J., 2010: Teoría formal de la creatividad, la diversión y la motivación intrínseca (1990-2010). Desarrollo mental autónomo, transacciones IEEE en. 2: (3), pág. 230-247.
- ¿Cómo es tomar CS 246 en Stanford?
- Cómo mejorar en el aprendizaje automático
- ¿Cuál es la diferencia entre un megabyte y un mebibyte?
- ¿Puedo obtener potencia de procesamiento de otra PC conectada por Lan? Si es así, ¿entonces cómo?
- ¿Puede la notación musical (cualquiera que elija) considerarse Turing Complete?
http://dx.doi.org/10.1109/TAMD.2…
Descarga gratuita: http://www.idsia.ch/~juergen/iee…
(gracias a Quora User)
Aquí está el resumen: la teoría formal simple pero general de la diversión y la motivación intrínseca y la creatividad (1990-2010) se basa en el concepto de maximizar la recompensa intrínseca por la creación activa o el descubrimiento de patrones nuevos y sorprendentes que permitan una mejor predicción o compresión de datos . Generaliza el campo tradicional del aprendizaje activo, y está relacionado con ideas antiguas, pero menos formales, en teoría de la estética y psicología del desarrollo. Se ha argumentado que la teoría explica muchos aspectos esenciales de la inteligencia, incluido el desarrollo autónomo, la ciencia, el arte, la música y el humor. Esta descripción general describe primero formas teóricamente óptimas (pero no necesariamente prácticas) de implementar los principios computacionales básicos en agentes o robots exploradores intrínsecamente motivados, alentándolos a provocar secuencias de eventos que exhiban regularidades algorítmicas previamente desconocidas pero aprendibles. Se enfatiza la importancia de los recursos computacionales limitados para la predicción y compresión en línea. Se dan formulaciones de tiempo discreto y continuo. Las implementaciones prácticas anteriores, pero no óptimas (1991, 1995 y 1997-2002) son revisadas, así como varias variantes recientes por otros (2005-2010). Una tipología simplificada aborda la confusión actual sobre la naturaleza precisa de la motivación intrínseca.