論文の概要: Behaviour Explanation via Causal Analysis of Mental States: A Preliminary Report

• arxiv url: http://arxiv.org/abs/2205.07443v1
• Date: Mon, 16 May 2022 04:46:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 00:44:27.021607
• Title: Behaviour Explanation via Causal Analysis of Mental States: A Preliminary Report
• Title（参考訳）: 精神状態の因果解析による行動説明 : 予備報告
• Authors: Shakil M. Khan
• Abstract要約: 我々はKhan氏とLesp'erance氏の研究に基づいて、コナティブエフェクトに関する因果推論を支援する。 この枠組みでは、動機づけ状態の原因を推論し、モチベーション調整行動が観察された影響の原因となることを許容する。 本稿では,この形式化と目標認識モデルを用いて,コミュニケーション型マルチエージェントコンテキストにおけるエージェントの動作を説明する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inspired by a novel action-theoretic formalization of actual cause, Khan and Lesp\'erance (2021) recently proposed a first account of causal knowledge that supports epistemic effects, models causal knowledge dynamics, and allows sensing actions to be causes of observed effects. To date, no other study has looked specifically at these issues. But their formalization is not sufficiently expressive enough to model explanations via causal analysis of mental states as it ignores a crucial aspect of theory of mind, namely motivations. In this paper, we build on their work to support causal reasoning about conative effects. In our framework, one can reason about causes of motivational states, and we allow motivation-altering actions to be causes of observed effects. We illustrate that this formalization along with a model of goal recognition can be utilized to explain agent behaviour in communicative multiagent contexts.
• Abstract（参考訳）: 実際の原因の新たな行動理論的形式化に着想を得たkhan and lesp\'erance (2021) は、最近、認識的効果、因果的知識のダイナミクスをモデル化し、観察された効果の原因となる行動の知覚を可能にする因果的知識の最初の説明を提案した。 これまでにこれらの問題を特に研究する研究は行われていない。 しかし、その形式化は、心の理論、すなわち動機づけの重要な側面を無視するため、心的状態の因果分析を通じて説明をモデル化するのに十分な表現力を持っていない。 本稿では, 因果効果に関する因果推論を支援するために, それらの研究について述べる。 この枠組みでは、動機づけ状態の原因を推論し、モチベーション調整行動が観察された影響の原因となることを許容する。 本稿では,この形式化と目標認識モデルを用いて,コミュニケーション型マルチエージェントコンテキストにおけるエージェント動作を説明する。

関連論文リスト

• 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)
• Emergence and Causality in Complex Systems: A Survey on Causal Emergence and Related Quantitative Studies [12.78006421209864]
  因果発生理論は出現を定量化するために因果関係の尺度を用いる。 因果の出現を定量化し、データを識別する。 因果表現学習,因果モデル抽象化,世界モデルに基づく強化学習によって,因果表現の出現を識別するアーキテクチャが共有されることを強調した。
  論文  参考訳（メタデータ） (2023-12-28T04:20:46Z)
• 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)
• Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms [17.074858228123706]
  本稿では、因果関係の観測ラベルによって教師される因果関係の非絡み合い表現を学習するための枠組みを提案する。 この枠組みは, 極めて不整合な因果関係を生じさせ, 介入の堅牢性を向上し, 反事実発生と相容れないことを示す。
  論文  参考訳（メタデータ） (2023-06-02T00:28:48Z)
• Causal Intervention Improves Implicit Sentiment Analysis [67.43379729099121]
  インスツルメンタル・バリアブル(ISAIV)を用いたインシシット・センシティメント分析のための因果介入モデルを提案する。 まず、因果的視点から感情分析をレビューし、このタスクに存在する共同設立者を分析する。 そこで本研究では,文章と感情の因果関係を解消し,純粋因果関係を抽出するインストゥルメンタル変数を提案する。
  論文  参考訳（メタデータ） (2022-08-19T13:17:57Z)
• Causality, Causal Discovery, and Causal Inference in Structural Engineering [1.827510863075184]
  本稿では,土木工学の観点からの因果発見と因果推論の事例を構築した。 具体的には、因果関係の鍵となる原理と、因果関係の発見と因果推論のための最も一般的なアルゴリズムとパッケージについて概説する。
  論文  参考訳（メタデータ） (2022-04-04T14:49:47Z)
• 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)
• Thinking About Causation: A Causal Language with Epistemic Operators [58.720142291102135]
  我々はエージェントの状態を表すことで因果モデルの概念を拡張した。 対象言語の側面には、知識を表現する演算子や、新しい情報を観察する行為が追加されます。 我々は、論理の健全かつ完全な公理化を提供し、このフレームワークと因果的チーム意味論との関係について論じる。
  論文  参考訳（メタデータ） (2020-10-30T12:16:45Z)
• Towards Interpretable Reasoning over Paragraph Effects in Situation [126.65672196760345]
  我々は,原因と効果を理解するためのモデルを必要とする状況において,段落効果を推論する作業に焦点をあてる。 本稿では,ニューラルネットワークモジュールを用いた推論プロセスの各ステップを明示的にモデル化する逐次的手法を提案する。 特に、5つの推論モジュールはエンドツーエンドで設計され、学習され、より解釈可能なモデルにつながる。
  論文  参考訳（メタデータ） (2020-10-03T04:03:52Z)

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。