論文の概要: Uncovering the Data-Related Limits of Human Reasoning Research: An
Analysis based on Recommender Systems
- arxiv url: http://arxiv.org/abs/2003.05196v1
- Date: Wed, 11 Mar 2020 10:12:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 14:42:08.055218
- Title: Uncovering the Data-Related Limits of Human Reasoning Research: An
Analysis based on Recommender Systems
- Title（参考訳）: 人的推論研究のデータ関連限界を明らかにする:推薦システムに基づく分析
- Authors: Nicolas Riesterer, Daniel Brand, Marco Ragni
- Abstract要約: 認知科学は、理論駆動の観点から人間のような知性をモデル化する目的を追求している。
ソロジック推論は人間の推論研究のコアドメインの1つである。
最近のモデルの性能予測の結果、改善の停滞が明らかになった。
- 参考スコア（独自算出の注目度）: 1.7478203318226309
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the fundamentals of human reasoning is central to the
development of any system built to closely interact with humans. Cognitive
science pursues the goal of modeling human-like intelligence from a
theory-driven perspective with a strong focus on explainability. Syllogistic
reasoning as one of the core domains of human reasoning research has seen a
surge of computational models being developed over the last years. However,
recent analyses of models' predictive performances revealed a stagnation in
improvement. We believe that most of the problems encountered in cognitive
science are not due to the specific models that have been developed but can be
traced back to the peculiarities of behavioral data instead.
Therefore, we investigate potential data-related reasons for the problems in
human reasoning research by comparing model performances on human and
artificially generated datasets. In particular, we apply collaborative
filtering recommenders to investigate the adversarial effects of
inconsistencies and noise in data and illustrate the potential for data-driven
methods in a field of research predominantly concerned with gaining high-level
theoretical insight into a domain.
Our work (i) provides insight into the levels of noise to be expected from
human responses in reasoning data, (ii) uncovers evidence for an upper-bound of
performance that is close to being reached urging for an extension of the
modeling task, and (iii) introduces the tools and presents initial results to
pioneer a new paradigm for investigating and modeling reasoning focusing on
predicting responses for individual human reasoners.
- Abstract（参考訳）: 人間の推論の基本を理解することは、人間と密接に相互作用するために構築されたシステムの開発の中心である。
認知科学は、説明可能性に強く焦点を合わせ、理論駆動の視点から人間のような知能をモデル化する目標を追求する。
人間の推論研究のコアドメインの1つとしてのシロジック推論は、ここ数年で計算モデルの開発が急増している。
しかし、最近のモデルの性能予測分析により、改善の停滞が明らかになった。
認知科学で遭遇する問題のほとんどは、開発された特定のモデルによるものではなく、代わりに行動データの特異性に遡ることができると考えている。
そこで本研究では,人間と人工的なデータセットのモデル性能を比較することによって,人間の推論研究における潜在的なデータ関連要因について検討する。
特に,データにおける不整合やノイズの逆効果を調査するために協調フィルタリングレコメンダを適用し,高レベルな理論的洞察を得ることを主眼とした研究分野におけるデータ駆動手法の可能性を示す。
私達の仕事は
(i)推論データにおける人間の反応から期待される騒音のレベルについての洞察を提供する。
(ii)モデル化作業の延長を求める要求に到達しそうな性能の上限の証拠を明らかにする。
(iii)このツールを導入して、個々の推論者に対する応答予測に着目した推論の調査とモデリングのための新しいパラダイムを開拓するために、最初の結果を提示する。
関連論文リスト
- Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - Explaining Veracity Predictions with Evidence Summarization: A
Multi-Task Model Approach [1.223779595809275]
誤情報検出のためのマルチタスク説明可能なニューラルモデルを提案する。
具体的には、本研究は、テキスト要約問題としてモデルの妥当性予測の説明生成過程を定式化する。
提案モデルの性能を公開データセットで検討し,関連する研究結果と比較した。
論文 参考訳（メタデータ） (2024-02-09T14:39:20Z) - A Survey of Reasoning with Foundation Models [235.7288855108172]
推論は、交渉、医療診断、刑事捜査など、様々な現実世界の環境において重要な役割を担っている。
本稿では,推論に適応する基礎モデルを提案する。
次に、基礎モデルにおける推論能力の出現の背後にある潜在的な将来方向を掘り下げる。
論文 参考訳（メタデータ） (2023-12-17T15:16:13Z) - Causal Analysis for Robust Interpretability of Neural Networks [0.2519906683279152]
我々は、事前学習されたニューラルネットワークの因果効果を捉えるための頑健な介入に基づく手法を開発した。
分類タスクで訓練された視覚モデルに本手法を適用した。
論文 参考訳（メタデータ） (2023-05-15T18:37:24Z) - CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。
このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。
ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文 参考訳（メタデータ） (2022-12-20T18:31:50Z) - Causal Discovery of Dynamic Models for Predicting Human Spatial
Interactions [5.742409080817885]
本稿では,人間とロボットの空間的相互作用をモデル化するための因果探索手法を提案する。
最先端の因果探索アルゴリズムを初めて活用するために、新しい方法と実用的な解決策について議論する。
論文 参考訳（メタデータ） (2022-10-29T08:56:48Z) - A Survey of Deep Causal Models and Their Industrial Applications [5.459987844611099]
本稿では,ニューラルネットワークに基づく深い因果モデルの概要について概説する。
産業における因果効果推定の典型的な応用について概説する。
論文 参考訳（メタデータ） (2022-09-19T09:05:05Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - Causal Reasoning Meets Visual Representation Learning: A Prospective
Study [117.08431221482638]
解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。
人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。
本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
論文 参考訳（メタデータ） (2022-04-26T02:22:28Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Learning Opinion Dynamics From Social Traces [25.161493874783584]
本稿では,現実の社会的トレースに,生成的,エージェントライクな意見力学モデルを適用するための推論機構を提案する。
本稿では,古典的エージェントに基づく意見力学モデルから,その生成的モデルへの変換による提案について紹介する。
われわれのモデルをRedditの現実世界のデータに適用して、バックファイア効果の影響に関する長年にわたる疑問を探る。
論文 参考訳（メタデータ） (2020-06-02T14:48:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。