論文の概要: Building Object-based Causal Programs for Human-like Generalization

• arxiv url: http://arxiv.org/abs/2111.12560v1
• Date: Sat, 20 Nov 2021 15:21:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 16:13:27.390335
• Title: Building Object-based Causal Programs for Human-like Generalization
• Title（参考訳）: 人間ライクな一般化のためのオブジェクトベース因果プログラムの構築
• Authors: Bonan Zhao, Christopher G. Lucas, Neil R. Bramley
• Abstract要約: 対象者の因果力の一般化方法を測定する新しいタスクを提案する。 本稿では,人間のような一般化パターンを合成できる計算モデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We present a novel task that measures how people generalize objects' causal powers based on observing a single (Experiment 1) or a few (Experiment 2) causal interactions between object pairs. We propose a computational modeling framework that can synthesize human-like generalization patterns in our task setting, and sheds light on how people may navigate the compositional space of possible causal functions and categories efficiently. Our modeling framework combines a causal function generator that makes use of agent and recipient objects' features and relations, and a Bayesian non-parametric inference process to govern the degree of similarity-based generalization. Our model has a natural "resource-rational" variant that outperforms a naive Bayesian account in describing participants, in particular reproducing a generalization-order effect and causal asymmetry observed in our behavioral experiments. We argue that this modeling framework provides a computationally plausible mechanism for real world causal generalization.
• Abstract（参考訳）: 単一観察に基づく物体の因果力を一般化する新しい課題を提案する(実験)。 1)または少数の(実験) 2)オブジェクトペア間の因果相互作用。 本研究では,タスク設定において人間のような一般化パターンを合成し,因果関数やカテゴリの合成空間を効率的に操作できる計算モデリングフレームワークを提案する。 我々のモデリングフレームワークは,エージェントと受信者の特徴と関係を利用する因果関数生成器と,類似性に基づく一般化の度合いを規定するベイズ非パラメトリック推論プロセスを組み合わせる。 本モデルでは, 参加者, 特に一般化順序効果を再現し, 行動実験で観察される因果的非対称性を再現する, ナイーブ・ベイズ的説明に勝る, 自然な「資源的」変種を有する。 このモデリングフレームワークは実世界の因果一般化のための計算学的に妥当なメカニズムを提供する。

関連論文リスト

• Counterfactual Generation from Language Models [64.55296662926919]
  対実的推論が介入と概念的に異なることを示す。 そこで本研究では,真の文字列反事実を生成するためのフレームワークを提案する。 我々の実験は、このアプローチが有意義な反事実を生み出すことを示した。
  論文  参考訳（メタデータ） (2024-11-11T17:57:30Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Hierarchical Neural Simulation-Based Inference Over Event Ensembles [0.4515457784397788]
  そこで本研究では,予測可能な場合のデータセットワイド確率推定手法を提案する。 確率(比)または後部についてニューラル推定器を構築し,モデルの階層構造を明示的に考慮することで,パラメータの制約が大幅に厳しくなることを示す。
  論文  参考訳（メタデータ） (2023-06-21T21:50:42Z)
• Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
  我々は因果発見の課題と観察データに焦点をあてる。 因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
  論文  参考訳（メタデータ） (2021-10-30T21:32:42Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• 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)
• CausalCity: Complex Simulations with Agency for Causal Discovery and Reasoning [68.74447489372037]
  本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。 私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。 我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
  論文  参考訳（メタデータ） (2021-06-25T00:21:41Z)
• A Self-Supervised Framework for Function Learning and Extrapolation [1.9374999427973014]
  本稿では,学習者が一般化を支援する表現を取得するためのフレームワークを提案する。 得られた表現は、教師なし時系列学習において、他のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-14T12:41:03Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。