論文の概要: An Extension Of Combinatorial Contextuality For Cognitive Protocols
- arxiv url: http://arxiv.org/abs/2202.08209v1
- Date: Tue, 15 Feb 2022 04:28:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 06:30:08.929357
- Title: An Extension Of Combinatorial Contextuality For Cognitive Protocols
- Title（参考訳）: 認知プロトコルのための組合せ文脈の拡張
- Authors: Abdul Karim Obeid, Peter Bruza, Catarina Moreira, Axel Bruns, Daniel
Angus
- Abstract要約: 本稿では、因果的影響のなかにおける文脈性決定を支援するための存在的アプローチを拡張する。
人間の認知は因果的影響に満ちているように見えるため、認知モデラーは認知現象の文脈性を決定するために拡張されたアプローチを適用することができる。
- 参考スコア（独自算出の注目度）: 1.1549572298362785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article extends the combinatorial approach to support the determination
of contextuality amidst causal influences. Contextuality is an active field of
study in Quantum Cognition, in systems relating to mental phenomena, such as
concepts in human memory [Aerts et al., 2013]. In the cognitive field of study,
a contemporary challenge facing the determination of whether a phenomenon is
contextual has been the identification and management of disturbances
[Dzhafarov et al., 2016]. Whether or not said disturbances are identified
through the modelling approach, constitute causal influences, or are
disregardableas as noise is important, as contextuality cannot be adequately
determined in the presence of causal influences [Gleason, 1957]. To address
this challenge, we first provide a formalisation of necessary elements of the
combinatorial approach within the language of canonical9 causal models. Through
this formalisation, we extend the combinatorial approach to support a
measurement and treatment of disturbance, and offer techniques to separately
distinguish noise and causal influences. Thereafter, we develop a protocol
through which these elements may be represented within a cognitive experiment.
As human cognition seems rife with causal influences, cognitive modellers may
apply the extended combinatorial approach to practically determine the
contextuality of cognitive phenomena.
- Abstract（参考訳）: 本稿では,因果的影響の中での文脈性決定を支援するための組合せ的アプローチを拡張する。
文脈性は、人間の記憶における概念(aerts et al., 2013)のような精神現象に関連するシステムにおける量子認知の研究の活発な分野である。
認知研究の分野では、ある現象が文脈的かどうかを判断する現代の課題は、障害の特定と管理であった(Dzhafarov et al., 2016)。
このような乱れがモデリングアプローチによって特定されるか、因果的影響を構成するか、あるいはノイズとして無視できないかは、因果的影響が存在する場合には文脈性が適切に決定できないためである(gleason, 1957]。
この課題に対処するために、まず、canonical9因果モデルの言語における組合せアプローチに必要な要素の形式化を提供する。
この形式化を通じて,外乱の測定と処理を支援する組合せアプローチを拡張し,ノイズと因果的影響を区別する手法を提供する。
その後、認知実験においてこれらの要素を表現できるプロトコルを開発する。
人間の認知は因果的影響に満ちているように思われるので、認知モデラーは、認知現象の文脈性を実践的に決定するために拡張組合せアプローチを適用することができる。
関連論文リスト
- Unified Causality Analysis Based on the Degrees of Freedom [1.2289361708127877]
本稿では,システム間の因果関係を同定する統一手法を提案する。
システムの自由度を分析することで、私たちのアプローチは因果的影響と隠れた共同設立者の両方についてより包括的な理解を提供する。
この統合されたフレームワークは、理論モデルとシミュレーションを通じて検証され、その堅牢性とより広範な応用の可能性を示す。
論文 参考訳（メタデータ） (2024-10-25T10:57:35Z) - Disentangled Representations for Causal Cognition [0.0]
因果認知研究は、ヒトおよび非ヒト動物における因果学習と推論の主な特徴を記述している。
因果性に関する機械および強化学習研究は、因果的人工エージェントを設計するための具体的な試みである。
本研究では,これら2つの研究領域を結合し,因果認知のための統一的な枠組みを構築する。
論文 参考訳（メタデータ） (2024-06-30T16:10:17Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge Reasoning via Promoting Causal Consistency in LLMs [60.244412212130264]
Causal-Consistency Chain-of-Thoughtは、基礎モデルの忠実さと因果性を強化するために、マルチエージェントコラボレーションを活用する。
我々のフレームワークは、広範囲かつ包括的な評価を通じて、最先端の手法よりも大きな優位性を示す。
論文 参考訳（メタデータ） (2023-08-23T04:59:21Z) - Simulation-Based Counterfactual Causal Discovery on Real World Driver
Behaviour [6.273003557777915]
本稿では,提案手法の3つの変種について述べる。
実世界の運転データセットから抽出した3396件の因果的シーンの観察的時間的因果的発見手法の状況に対する評価を行った。
論文 参考訳（メタデータ） (2023-06-06T02:10:20Z) - How to Enhance Causal Discrimination of Utterances: A Case on Affective
Reasoning [22.11437627661179]
本稿では,会話プロセスにテクスティ.i.d.ノイズ項を組み込むことにより,構造因果モデル(SCM)を構築することを提案する。
ディープラーニングの実装を容易にするため,非構造化会話データを扱うためのcognフレームワークを導入し,非可観測ノイズを学習可能な「単純な原因」とみなすオートエンコーダアーキテクチャを採用した。
論文 参考訳（メタデータ） (2023-05-04T07:45:49Z) - Causal Deep Learning [77.49632479298745]
因果性は、現実世界の問題を解決する方法を変える可能性がある。
しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。
我々は、因果性に関する新しい考え方を提案します。
論文 参考訳（メタデータ） (2023-03-03T19:19:18Z) - 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) - Towards Understanding the Adversarial Vulnerability of Skeleton-based
Action Recognition [133.35968094967626]
骨格に基づく行動認識は、動的状況への強い適応性から注目を集めている。
ディープラーニング技術の助けを借りて、かなり進歩し、現在、良識のある環境で約90%の精度を達成している。
異なる対角的環境下での骨格に基づく行動認識の脆弱性に関する研究はいまだ研究されていない。
論文 参考訳（メタデータ） (2020-05-14T17:12:52Z)
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。