論文の概要: Physical grounds for causal perspectivalism

• arxiv url: http://arxiv.org/abs/2009.04121v2
• Date: Sun, 13 Sep 2020 03:04:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 03:12:03.882383
• Title: Physical grounds for causal perspectivalism
• Title（参考訳）: 因果パースペクティビズムの物理的根拠
• Authors: G J Milburn and S. Shrapnel
• Abstract要約: 我々は、特別な種類の開散物理系の内部物理状態における因果関係の非対称性を基礎とする。 因果剤は、低エントロピーエネルギー源によって平衡から遠ざかる自律的な物理系である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we ground the asymmetry of causal relations in the internal physical states of a special kind of open dissipative physical system, a causal agent. A causal agent is an autonomous physical system, maintained far from equilibrium by a low entropy source of energy, with accurate sensors and actuators. It has a memory to record sensor measurements and actuator operations. It contains a learning system that can access the sensor and actuator records to learn and represent the causal relations. We claim that causal relations are relations between the internal sensor and actuator records and the causal concept inherent in these correlations is then inscribed in the physical dynamics of the internal learning machine. The existence of contingent internal memory states means each causal agent is in a different physical state. We argue that it is in this sense that causal relations are perspectival. From the outside, averaging over internal states, the causal agents are identical thermodynamic systems.
• Abstract（参考訳）: 本稿では,特殊な開散物理系である因果剤の内部物理状態における因果関係の非対称性について述べる。 因果エージェントは、正確なセンサーとアクチュエータを備えた低エントロピーエネルギー源によって平衡から遠く離れた自律的な物理システムである。 センサーの測定とアクチュエータ操作を記録するメモリを備えている。 センサーとアクチュエータの記録にアクセスして因果関係を学習し表現できる学習システムを含んでいる。 我々は、因果関係は内部センサとアクチュエータレコードの関係であり、これらの相関に固有の因果概念は、内部学習機械の物理力学に記述されると主張している。 付随する内部記憶状態の存在は、各因果エージェントが異なる物理的状態にあることを意味する。 この意味では因果関係が懐疑的であると論じる。 外から見ると、内部状態を平均すると、因果剤は同じ熱力学系である。

関連論文リスト

• Decomposing Interventional Causality into Synergistic, Redundant, and Unique Components [0.0]
  我々は、介入因果効果を相乗的で冗長でユニークな構成要素に分解する新しい枠組みを導入する。 本研究では,システム内の変数間で因果力がどのように分散しているかを体系的に定量化する数学的アプローチを開発する。
  論文  参考訳（メタデータ） (2025-01-20T12:34:51Z)
• Towards Definition of Higher Order Causality in Complex Systems [0.0]
  本稿では,因果推論に対する情報理論的アプローチの一般化と改良を提案する。 特に、多変量因果集合に因果的役割を割り当てるが、個々の入力には直交しない。 我々は、この概念を、実演理論的な例に適用し、生体物理学的に現実的な生体神経力学シミュレーションに応用することによって実証する。
  論文  参考訳（メタデータ） (2024-08-30T12:04:51Z)
• A link between static and dynamical perturbation theory [0.48951183832371004]
  量子力学における時間非依存理論と時間依存理論の間の重要なリンクとして、創発時間の役割を示す。 本研究は,1つの純エネルギー固有状態に基づく力学現象の計算への将来的な応用を想定する。
  論文  参考訳（メタデータ） (2024-05-14T09:01:30Z)
• Inferring physical laws by artificial intelligence based causal models [3.333770856102642]
  本稿では,相関関係を認識し,カジュアルな関係をもたらす物理原理の因果学習モデルを提案する。 本手法は,データ間の関係を把握できるだけでなく,変数間の因果関係を正しく把握できることを示す。
  論文  参考訳（メタデータ） (2023-09-08T01:50:32Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• The problem of engines in statistical physics [62.997667081978825]
  エンジンは、外部の不均衡を犠牲にして、仕事を循環的に生成できるオープンシステムである。 オープン量子系の理論の最近の進歩は、自律エンジンのより現実的な記述を示している。 運動方程式に外部荷重力と熱雑音を組み込む方法を示す。
  論文  参考訳（メタデータ） (2021-08-17T03:59:09Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• To do or not to do: finding causal relations in smart homes [2.064612766965483]
  本稿では,環境と観測データの混合実験から因果モデルを学ぶための新しい手法を提案する。 我々の手法の核心は、選択された介入の使用であり、特に、介入が不可能な変数を考慮に入れた学習である。 本手法をスマートホームシミュレーション,すなわち因果関係を知ることが説明可能なシステムへの道を開くユースケースに応用する。
  論文  参考訳（メタデータ） (2021-05-20T22:36:04Z)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)
• Grounded Relational Inference: Domain Knowledge Driven Explainable Autonomous Driving [47.22329993674051]
  我々は、人間のドメイン知識とモデル固有の因果関係の両方に整合した説明を生成する説明可能なモデルを開発することを目的とする。 特に、自律運転における重要なビルディングブロック、マルチエージェントインタラクションモデリングに焦点を当てる。 シミュレーションと実環境設定の両方で対話的な交通シナリオをモデル化できることを実証する。
  論文  参考訳（メタデータ） (2021-02-23T19:34:32Z)
• Towards Causal Representation Learning [96.110881654479]
  機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
  論文  参考訳（メタデータ） (2021-02-22T15:26:57Z)

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。