論文の概要: Subverting machines, fluctuating identities: Re-learning human
categorization
- arxiv url: http://arxiv.org/abs/2205.13740v1
- Date: Fri, 27 May 2022 03:09:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-30 13:27:33.253467
- Title: Subverting machines, fluctuating identities: Re-learning human
categorization
- Title(参考訳): 変分する機械:人間の分類を再学習する
- Authors: Christina Lu, Jackie Kay, Kevin R. McKee
- Abstract要約: AI研究におけるデフォルトパラダイムは、離散的で静的な重要な属性を持つアイデンティティを想定している。
対照的に、批判理論における思考のストランドは、自己同一性の概念を可鍛性として示し、相互作用を通して完全に構成する。
- 参考スコア(独自算出の注目度): 1.3106063755117399
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Most machine learning systems that interact with humans construct some notion
of a person's "identity," yet the default paradigm in AI research envisions
identity with essential attributes that are discrete and static. In stark
contrast, strands of thought within critical theory present a conception of
identity as malleable and constructed entirely through interaction; a doing
rather than a being. In this work, we distill some of these ideas for machine
learning practitioners and introduce a theory of identity as autopoiesis,
circular processes of formation and function. We argue that the default
paradigm of identity used by the field immobilizes existing identity categories
and the power differentials that co$\unicode{x2010}$occur, due to the absence
of iterative feedback to our models. This includes a critique of emergent AI
fairness practices that continue to impose the default paradigm. Finally, we
apply our theory to sketch approaches to autopoietic identity through
multilevel optimization and relational learning. While these ideas raise many
open questions, we imagine the possibilities of machines that are capable of
expressing human identity as a relationship perpetually in flux.
- Abstract(参考訳): 人間と対話するほとんどの機械学習システムは、人の“アイデンティティ”という概念を構築しているが、ai研究のデフォルトパラダイムは、離散的で静的な特性を持つアイデンティティを想定している。
対照的に、批判理論における思考のストランドは、アイデンティティの概念を可鍛性として提示し、相互作用によって完全に構築される。
本研究は,機械学習の実践者を対象にこれらのアイデアのいくつかを蒸留し,自己ポエシス, 形成過程, 機能過程としてのアイデンティティの理論を導入する。
我々は、フィールドが使用する既定のアイデンティティパラダイムは、モデルに反復的なフィードバックがないため、既存のアイデンティティカテゴリとco$\unicode{x2010}$occurのパワー差を固定化すると主張している。
これには、デフォルトパラダイムを課し続ける緊急のaiフェアネスプラクティスに対する批判が含まれている。
最後に,本理論を多段階最適化と関係学習による自己ポエティック・アイデンティティへのアプローチのスケッチに適用する。
これらのアイデアは多くの疑問を提起する一方で、人間のアイデンティティを絶え間なく流動的な関係として表現できる機械の可能性について想像する。
関連論文リスト
- Agent Assessment of Others Through the Lens of Self [1.223779595809275]
この論文は、自律エージェントの自己の内省能力の質は、他のエージェントの質の高い人間的な理解を反映するのに不可欠であると主張している。
結局のところ、ビジョンは単に計算する機械ではなく、内省し、共感し、理解する実体である。
論文 参考訳(メタデータ) (2023-12-18T17:15:04Z) - Minding Language Models' (Lack of) Theory of Mind: A Plug-and-Play
Multi-Character Belief Tracker [72.09076317574238]
ToMは,読解における文字の信念状態を調べるためのプラグアンドプレイ方式である。
ToMは、教師付きベースラインと比較して、配電性能が堅牢でありながら、ゼロオーダー設定でのオフ・ザ・シェルフニューラルネットワーク理論の考え方を強化する。
論文 参考訳(メタデータ) (2023-06-01T17:24:35Z) - On Binding Objects to Symbols: Learning Physical Concepts to Understand
Real from Fake [155.6741526791004]
我々は、ディープニューラルネットワークが合成データを生成する驚くべき能力に照らして、古典的な信号と記号の障壁を再考する。
物理オブジェクトを抽象概念として特徴付け,それ以前の解析を用いて,物理オブジェクトが有限なアーキテクチャで符号化可能であることを示す。
我々は、有限時間でデジタルIDに物理的実体を結合することは、有限資源で可能であると結論付けた。
論文 参考訳(メタデータ) (2022-07-25T17:21:59Z) - An Enactivist-Inspired Mathematical Model of Cognition [5.8010446129208155]
我々は、関連する文献で慎重に確認した5つの基本的なエノクティビズム認知科学のテレットを定式化する。
次に、これらの実践主義的信条に従う認知システムについて話すための数学的枠組みを開発する。
論文 参考訳(メタデータ) (2022-06-10T13:03:47Z) - Emergence of Machine Language: Towards Symbolic Intelligence with Neural
Networks [73.94290462239061]
本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。
対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
論文 参考訳(メタデータ) (2022-01-14T14:54:58Z) - WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。
そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
論文 参考訳(メタデータ) (2021-10-27T12:25:21Z) - Friend or Foe: A Review and Synthesis of Computational Models of the
Identity Labeling Problem [3.180013942295509]
社会的状況において個人がどのアイデンティティ(e)を他の誰かによってラベル付けされるかを予測することができるだろうか?
この問題は理論的なギャップと方法論的な課題であり、社会的認知のモデルが、しばしば既に知られているアイデンティティを扱い、問題を副次するという事実によって証明されている。
我々は,既存のモデルからの洞察に基づいて,感情情報,社会デコグラフィ特性,制度的協会など複数の社会的手がかりを取り入れて,最も文化的に期待されるアイデンティティを推定する,潜在認知社会空間(Latent Cognitive Social Spaces)という新たなフレームワークを開発する。
論文 参考訳(メタデータ) (2021-05-10T15:59:31Z) - Interpretable Reinforcement Learning Inspired by Piaget's Theory of
Cognitive Development [1.7778609937758327]
本稿では,思考の言語(LOTH)やスクリプト理論,ピアジェの認知発達理論などの理論が相補的なアプローチを提供するという考えを楽しませる。
提案するフレームワークは,人工知能システムにおいて,人間のような認知を実現するためのステップとみなすことができる。
論文 参考訳(メタデータ) (2021-02-01T00:29:01Z) - Machine Common Sense [77.34726150561087]
機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである
本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
論文 参考訳(メタデータ) (2020-06-15T13:59:47Z) - Dark, Beyond Deep: A Paradigm Shift to Cognitive AI with Humanlike
Common Sense [142.53911271465344]
我々は、次世代のAIは、新しいタスクを解決するために、人間のような「暗黒」の常識を取り入れなければならないと論じている。
我々は、人間のような常識を持つ認知AIの5つの中核領域として、機能、物理学、意図、因果性、実用性(FPICU)を識別する。
論文 参考訳(メタデータ) (2020-04-20T04:07:28Z)
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。