論文の概要: Algorithmic Bayesian Epistemology
- arxiv url: http://arxiv.org/abs/2403.07949v1
- Date: Mon, 11 Mar 2024 23:03:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 17:27:52.554528
- Title: Algorithmic Bayesian Epistemology
- Title(参考訳): アルゴリズムベイズ的認識論
- Authors: Eric Neyman
- Abstract要約: コンピュータ科学におけるアルゴリズムレンズの1つの側面は、現実世界の制約に従う他の科学分野に対する見解である。
この論文は、分子生物学、生態学、神経科学、量子物理学の分野にアルゴリズムレンズを適用している。
- 参考スコア(独自算出の注目度): 2.44755919161855
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One aspect of the algorithmic lens in theoretical computer science is a view
on other scientific disciplines that focuses on satisfactory solutions that
adhere to real-world constraints, as opposed to solutions that would be optimal
ignoring such constraints. The algorithmic lens has provided a unique and
important perspective on many academic fields, including molecular biology,
ecology, neuroscience, quantum physics, economics, and social science.
This thesis applies the algorithmic lens to Bayesian epistemology.
Traditional Bayesian epistemology provides a comprehensive framework for how an
individual's beliefs should evolve upon receiving new information. However,
these methods typically assume an exhaustive model of such information,
including the correlation structure between different pieces of evidence. In
reality, individuals might lack such an exhaustive model, while still needing
to form beliefs. Beyond such informational constraints, an individual may be
bounded by limited computation, or by limited communication with agents that
have access to information, or by the strategic behavior of such agents. Even
when these restrictions prevent the formation of a *perfectly* accurate belief,
arriving at a *reasonably* accurate belief remains crucial. In this thesis, we
establish fundamental possibility and impossibility results about belief
formation under a variety of restrictions, and lay the groundwork for further
exploration.
- Abstract(参考訳): 理論計算機科学におけるアルゴリズムレンズの1つの側面は、そのような制約を最適に無視する解とは対照的に、現実の制約に順応する満足できる解に焦点を当てた他の科学分野についての見解である。
アルゴリズムレンズは、分子生物学、生態学、神経科学、量子物理学、経済学、社会科学など、多くの学術分野においてユニークかつ重要な視点を提供してきた。
この論文は、アルゴリズムレンズをベイズ認識学に適用する。
伝統的なベイズ観念論は、個人の信念が新しい情報を受け取る際にどのように進化するかの包括的な枠組みを提供する。
しかしながら、これらの手法は典型的には、異なる証拠間の相関構造を含む、そのような情報の網羅的なモデルを想定している。
実際には、個人にはそのような徹底的なモデルがないかもしれないが、信念を形成する必要がある。
このような情報的制約を超えて、個人は限られた計算、情報にアクセス可能なエージェントとの限られた通信、あるいはそのようなエージェントの戦略的行動によって拘束されることがある。
これらの制限が*完璧に*正確な信念の形成を妨げるとしても、*合理的に*正確な信念にたどり着くことは不可欠である。
本論では, 様々な制約の下での信念形成に関する根本的な可能性と不可解な結果を確立し, さらなる探究の土台を築いた。
関連論文リスト
- Harnessing Collective Intelligence Under a Lack of Cultural Consensus [0.1813006808606333]
CCT(Cultural Consensus Theory)は、異なるコンセンサス・コンセンサス・コンセンサス(コンセンサス・コンセンサス・コンセンサス・コンセンサス・コンセンサス)を検出するための統計的枠組みを提供する。
我々は、事前訓練されたディープニューラルネットワーク埋め込みと、それらのエンティティに関するコンセンサス信念を、回答者の1つ以上のサブセットにマッピングする潜在構造で拡張する。
iDLC-CCTはコンセンサスの度合いをよりよく予測し、サンプル外エンティティによく一般化し、スパースデータでも有効であることがわかった。
論文 参考訳(メタデータ) (2023-09-18T14:05:04Z) - Bayesian Reinforcement Learning with Limited Cognitive Load [43.19983737333797]
適応行動の理論は、エージェントの学習履歴、決定、容量制約の間の複雑な相互作用を考慮に入れなければならない。
コンピュータ科学における最近の研究は、強化学習、ベイズ的意思決定、レート歪曲理論からアイデアをブリッジすることで、これらの力学を形作る原理を明確にし始めている。
論文 参考訳(メタデータ) (2023-05-05T03:29:34Z) - 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) - 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) - Is it possible not to cheat on the Turing Test: Exploring the potential
and challenges for true natural language 'understanding' by computers [0.0]
人工知能における自然言語理解の領域は、大きな進歩を遂げたと主張している。
現在のアプローチと残る課題について、包括的で学際的な概要は、まだ実行されていない。
これらすべての視点をまとめて、真の(人間のような)言語理解に到達する上での課題を解き放ちます。
論文 参考訳(メタデータ) (2022-06-29T14:19:48Z) - On Heuristic Models, Assumptions, and Parameters [0.76146285961466]
我々は、コンピューティングの社会的影響は、不明瞭な技術的注意事項、選択、および資格者に依存することができると論じている。
これらの選択と修飾子をエンコードするために用いられるオブジェクトの3つのクラス、すなわちモデル、仮定、パラメータを記述する。
我々は、これらの物体がコンピュータの包括的分析に有害である6つの理由を提起し、研究者が科学的研究を説明するのに考慮すべきであると主張している。
論文 参考訳(メタデータ) (2022-01-19T04:32:11Z) - Quantum realism: axiomatization and quantification [77.34726150561087]
我々は、量子リアリズムの公理化(量子論と相容れないリアリズムの概念)を構築する。
提案された公理のほとんどすべてを満たすことを示すエントロピー量化器のクラスを明示的に構成する。
論文 参考訳(メタデータ) (2021-10-10T18:08:42Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - Constrained Learning with Non-Convex Losses [119.8736858597118]
学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
論文 参考訳(メタデータ) (2021-03-08T23:10:33Z) - Formalising Concepts as Grounded Abstractions [68.24080871981869]
このレポートは、表現学習が生データから概念を誘導する方法を示しています。
このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
論文 参考訳(メタデータ) (2021-01-13T15:22:01Z)
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。