論文の概要: Actively learning to learn causal relationships
- arxiv url: http://arxiv.org/abs/2206.09777v1
- Date: Mon, 20 Jun 2022 13:50:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-25 09:41:26.516250
- Title: Actively learning to learn causal relationships
- Title(参考訳): 因果関係を学習する積極的学習
- Authors: Chentian Jiang and Christopher G. Lucas
- Abstract要約: 我々は、活発な因果学習の分野における疑問を探求する。
この結果から,活発な因果学習問題に類似点がある場合,これらの類似点に関する信念を学習し,伝達することが示唆された。
人々はこれらの過剰な仮説を利用して、長期的なアクティブな学習を促進する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: How do people actively learn to learn? That is, how and when do people choose
actions that facilitate long-term learning and choosing future actions that are
more informative? We explore these questions in the domain of active causal
learning. We propose a hierarchical Bayesian model that goes beyond past models
by predicting that people pursue information not only about the causal
relationship at hand but also about causal
overhypotheses$\unicode{x2014}$abstract beliefs about causal relationships that
span multiple situations and constrain how we learn the specifics in each
situation. In two active "blicket detector" experiments with 14
between-subjects manipulations, our model was supported by both qualitative
trends in participant behavior and an individual-differences-based model
comparison. Our results suggest when there are abstract similarities across
active causal learning problems, people readily learn and transfer
overhypotheses about these similarities. Moreover, people exploit these
overhypotheses to facilitate long-term active learning.
- Abstract(参考訳): 人はどのように積極的に学習するか?
つまり、長期的な学習を促進し、より有益な将来の行動を選択するために、人々はいつ、いつ、どのように行動を選択するのか?
我々はこれらの疑問を活発な因果学習の領域で探求する。
我々は, 因果関係だけでなく, 因果関係のオーバーハイポテーゼ ($\unicode{x2014}$abstract beliefs) についても, 複数の状況にまたがる因果関係を仮定し, それぞれの状況における具体性をどのように学習するかを制約することにより, 過去のモデルを超えた階層ベイズモデルを提案する。
14個のサブジェクト間操作を用いた2つのアクティブな"blicket detector"実験では,参加者行動の質的傾向と個人差に基づくモデルの比較が支持された。
本研究は,能動的因果学習問題に共通する抽象的類似性が存在する場合,その類似性について簡単に学習し,転用できることを示す。
さらに、これらの過剰な仮説を利用して長期的なアクティブラーニングを促進する。
関連論文リスト
- Multi-agent cooperation through learning-aware policy gradients [53.63948041506278]
利己的な個人はしばしば協力に失敗し、マルチエージェント学習の根本的な課題を提起する。
本稿では,学習型強化学習のための,偏見のない高導出性ポリシー勾配アルゴリズムを提案する。
我々は, 受刑者のジレンマから, 自己関心のある学習エージェントの間でどのように, いつ, 協力関係が生じるかの新たな説明を得た。
論文 参考訳(メタデータ) (2024-10-24T10:48:42Z) - Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳(メタデータ) (2024-05-15T20:41:46Z) - The Role of Higher-Order Cognitive Models in Active Learning [8.847360368647752]
我々は、人間のフィードバックのためのアクティブな学習のための新しいパラダイムを提唱する。
エージェントのレベルが上がると、アクティブな学習システムと教師との合理的コミュニケーションの質的に異なる形態がもたらされるかについて議論する。
論文 参考訳(メタデータ) (2024-01-09T07:39:36Z) - 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) - Passive learning of active causal strategies in agents and language
models [15.086300301260811]
純粋受動的学習は、エージェントが因果構造を決定・使用するための一般化可能な戦略を学習できることを示す。
専門家データに対する模倣によって訓練されたエージェントは、実際に、トレーニングデータに存在しない因果関係を推論し、使用するためにテスト時に一般化できることを示す。
説明は受動的学習者が完全に確立されたトレーニングデータからアウト・オブ・ディストリビューションを一般化することを可能にする。
論文 参考訳(メタデータ) (2023-05-25T15:39:46Z) - Can I see an Example? Active Learning the Long Tail of Attributes and
Relations [64.50739983632006]
視覚シーンの属性や関係を問う,新たな逐次能動学習フレームワークを提案する。
従来のアクティブな学習手法では、特定の例のラベルを求めるが、エージェントが特定のカテゴリからサンプルを求めることができるように、このフレーミングを反転させる。
このフレーミングを用いて、データ分布の尾からサンプルを求めるアクティブサンプリング手法を導入し、Visual Genomeの古典的アクティブラーニング手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-03-11T19:28:19Z) - Mind Your Outliers! Investigating the Negative Impact of Outliers on
Active Learning for Visual Question Answering [71.15403434929915]
視覚的質問応答のタスクにおいて、5つのモデルと4つのデータセットにまたがって、多種多様な能動的学習アプローチがランダム選択を上回りません。
アクティブな学習手法が好まれるが、モデルは学習に失敗する例の集まりである。
本研究では,アクティブ学習プールにおける集団外乱の減少に伴い,アクティブ学習サンプル効率が著しく向上することを示す。
論文 参考訳(メタデータ) (2021-07-06T00:52:11Z) - 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) - Probing Across Time: What Does RoBERTa Know and When? [70.20775905353794]
言語知識は、ドメイン間で高速、安定、そして堅牢に獲得されることを示す。
事実と常識はより遅く、ドメインに敏感です。
クロスタイム探索は、これらのモデルが生み出す複雑で混ざった学習を理解するのに役立ち、必要な学習を迅速に行うためのより効率的なアプローチへと導いてくれると信じています。
論文 参考訳(メタデータ) (2021-04-16T04:26:39Z) - Skeleton-based Relational Reasoning for Group Activity Analysis [40.49389173100578]
スケルトン情報を活用して、そこから直接個人間の相互作用を学習します。
本実験は,複数対人インタラクションをモデル化するスケルトンベースのアプローチの可能性を示す。
論文 参考訳(メタデータ) (2020-11-11T09:25:53Z) - RKT : Relation-Aware Self-Attention for Knowledge Tracing [2.9778695679660188]
知識追跡のためのリレーショナル・アウェア・セルフアテンション・モデル(RKT)を提案する。
文脈情報を組み込んだ関係認識型自己認識層を導入する。
我々のモデルは最先端の知識追跡手法より優れている。
論文 参考訳(メタデータ) (2020-08-28T16:47:03Z)
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。