論文の概要: Belief formation and the persistence of biased beliefs
- arxiv url: http://arxiv.org/abs/2310.08466v1
- Date: Thu, 12 Oct 2023 16:27:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 10:38:45.085209
- Title: Belief formation and the persistence of biased beliefs
- Title(参考訳): 偏見的信念の形成と持続性
- Authors: Olivier Compte
- Abstract要約: エージェントが二つの理論を区別しようとする信念形成モデルを提案する。
我々のモデルでは、情報処理の制限は弱い証拠を検閲するインセンティブを与える。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a belief-formation model where agents attempt to discriminate
between two theories, and where the asymmetry in strength between confirming
and disconfirming evidence tilts beliefs in favor of theories that generate
strong (and possibly rare) confirming evidence and weak (and frequent)
disconfirming evidence. In our model, limitations on information processing
provide incentives to censor weak evidence, with the consequence that for some
discrimination problems, evidence may become mostly one-sided, independently of
the true underlying theory. Sophisticated agents who know the characteristics
of the censored data-generating process are not lured by this accumulation of
``evidence'', but less sophisticated ones end up with biased beliefs.
- Abstract(参考訳): エージェントが2つの理論を区別しようとする信念形成モデルを提案し、証拠の確認と不確認の間の強さの非対称性が信念を傾け、強い(そしておそらく稀な)証拠の確認と弱い(そして頻繁に)不確認の証拠を生み出す理論を支持する。
我々のモデルでは、情報処理の制限により、弱い証拠を検閲するインセンティブが提供され、その結果、いくつかの差別問題に対して、証拠は真の基礎理論とは無関係に、主に一方的なものになる可能性がある。
検閲されたデータ生成プロセスの特徴を知っている高度なエージェントは、この「証拠」の蓄積によって引き起こされるのではなく、より洗練されたエージェントはバイアスのある信念に終わる。
関連論文リスト
- Lean-STaR: Learning to Interleave Thinking and Proving [53.923617816215774]
証明の各ステップに先立って,非公式な思考を生成するために,言語モデルをトレーニングするフレームワークであるLean-STaRを紹介します。
Lean-STaRは、Lean定理証明環境内のminiF2F-testベンチマークで最先端の結果を達成する。
論文 参考訳(メタデータ) (2024-07-14T01:43:07Z) - A Belief Model for Conflicting and Uncertain Evidence -- Connecting
Dempster-Shafer Theory and the Topology of Evidence [8.295493796476766]
本稿では,不一致,不完全,不確実な証拠に基づいて,信念の度合いを測定する新しいモデルを提案する。
このモデルによる信念の計算次数は一般に#P完全であることが示される。
論文 参考訳(メタデータ) (2023-06-06T09:30:48Z) - Read it Twice: Towards Faithfully Interpretable Fact Verification by
Revisiting Evidence [59.81749318292707]
本稿では,証拠の検索とクレームの検証を行うためにReReadという名前の事実検証モデルを提案する。
提案システムは,異なる設定下での最良のレポートモデルに対して,大幅な改善を実現することができる。
論文 参考訳(メタデータ) (2023-05-02T03:23:14Z) - Uncertain Evidence in Probabilistic Models and Stochastic Simulators [80.40110074847527]
我々は、不確実性を伴う観測を伴う確率論的モデルにおいて、ベイズ的推論を行うという問題について考察する。
我々は、不確実な証拠をどう解釈するかを探求し、潜伏変数の推論に関連する適切な解釈の重要性を拡大する。
我々は、不確実な証拠を説明するための具体的なガイドラインを考案し、特に一貫性に関する新しい洞察を提供する。
論文 参考訳(メタデータ) (2022-10-21T20:32:59Z) - Logical Satisfiability of Counterfactuals for Faithful Explanations in
NLI [60.142926537264714]
本稿では, 忠実度スルー・カウンタファクトの方法論について紹介する。
これは、説明に表される論理述語に基づいて、反実仮説を生成する。
そして、そのモデルが表現された論理と反ファクトの予測が一致しているかどうかを評価する。
論文 参考訳(メタデータ) (2022-05-25T03:40:59Z) - Topic-Aware Evidence Reasoning and Stance-Aware Aggregation for Fact
Verification [19.130541561303293]
本稿では,事実検証のための新たな話題認識型証拠推論とスタンス認識型アグリゲーションモデルを提案する。
2つのベンチマークデータセットで実施されたテストは、事実検証のためのいくつかの最先端アプローチよりも提案モデルの方が優れていることを示す。
論文 参考訳(メタデータ) (2021-06-02T14:33:12Z) - AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。
アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。
我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
論文 参考訳(メタデータ) (2021-04-01T17:40:08Z) - Time-Aware Evidence Ranking for Fact-Checking [56.247512670779045]
本稿では,Webページのタイムスタンプが,特定のクレームに対してどのようにランク付けされるべきか,という仮説を考察する。
本研究は,検索結果リストにおける意味的類似性や位置に基づく関連性仮定を総合的に上回るだけでなく,特に時間に敏感なクレームの正確性予測を改善することを明らかにする。
論文 参考訳(メタデータ) (2020-09-10T13:39:49Z) - DTCA: Decision Tree-based Co-Attention Networks for Explainable Claim
Verification [16.144566353074314]
本稿では,説明可能なクレーム検証の証拠を発見するための決定木に基づくコ・アテンション・モデル(DTCA)を提案する。
具体的には、まずDTE(Decision Tree-based Evidence Model)を構築し、透明で解釈可能な方法で、信頼性の高いコメントを証拠として選択する。
次に,コ・アテンション・セルフアテンション・ネットワーク(CaSa)を設計して,選択したエビデンスをクレームと相互作用させる。
論文 参考訳(メタデータ) (2020-04-28T12:19:46Z)
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。