論文の概要: Physical grounds for causal perspectivalism

• arxiv url: http://arxiv.org/abs/2009.04121v3
• Date: Fri, 2 Jun 2023 02:49:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 21:36:03.184171
• 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, S. Shrapnel and P. W. Evans
• Abstract要約: 我々は、特殊な開かつ不可逆的な物理系、因果エージェント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(Cousal agent)は、センサ、アクチュエータ、学習機械といった特殊なサブシステムを備えた、熱平衡から遠く離れた定常状態の自律的な物理システムである。
• 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: We ground the asymmetry of causal relations in the internal physical states of a special kind of open and irreversible physical system, a causal agent. A causal agent is an autonomous physical system, maintained in a steady state, far from thermal equilibrium, with special subsystems: sensors, actuators, and learning machines. Using feedback, the learning machine, driven purely by thermodynamic constraints, changes its internal states to learn probabilistic functional relations inherent in correlations between sensor and actuator records. We argue that these functional relations just are causal relations learned by the agent, and so such causal relations are simply relations between the internal physical states of a causal agent. We show that learning is driven by a thermodynamic principle: the error rate is minimised when the dissipated power is minimised. While the internal states of a causal agent are necessarily stochastic, the learned causal relations are shared by all machines with the same hardware embedded in the same environment. We argue that this dependence of causal relations on such `hardware' is a novel demonstration of causal perspectivalism.
• Abstract（参考訳）: 我々は、特殊な開かつ不可逆的な物理系、因果エージェント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(Cousal agent)は、センサ、アクチュエータ、学習機械といった特殊なサブシステムを備えた、熱平衡から遠く離れた定常状態の自律的な物理システムである。 フィードバックを利用して、学習機械は内部状態を変えて、センサーとアクチュエータの記録の相関に固有の確率論的機能関係を学ぶ。 これらの機能的関係は、エージェントが学習した因果関係に過ぎず、そのような因果関係は単に因果関係の内部物理的状態の間の関係である。 学習は熱力学的原理によって駆動される: 散逸電力が最小化されると誤差率は最小化される。 因果エージェントの内部状態は必ず確率的であるが、学習された因果関係は、同じ環境に同じハードウェアを組み込んだすべてのマシンで共有される。 このような「ハードウェア」に対する因果関係のこの依存は、因果観念の新たな実証である。

関連論文リスト

• 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 Relational Interpretation of Quantum Physics [0.0]
  RQMの技術コアは、量子遷移振幅が物理確率を決定するのは、議論が同じ系に対して事実である場合に限られる、という認識である。 RQMの技術コアは、量子遷移振幅が物理確率を決定するのは、議論が同じ系に対して事実である場合に限られる、という認識である。
  論文  参考訳（メタデータ） (2021-09-19T17:22:25Z)
• 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。