論文の概要: Position: The Causal Revolution Needs Scientific Pragmatism

• arxiv url: http://arxiv.org/abs/2406.02275v1
• Date: Tue, 4 Jun 2024 12:50:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-06-05 16:20:58.033490
• Title: Position: The Causal Revolution Needs Scientific Pragmatism
• Title（参考訳）: 因果革命は科学的プラグマティズムを必要としている
• Abstract要約: 因果モデルと手法は大きな可能性を秘めているが、その進歩は停滞している。 因果関係を用いた提案は、対立する2つの世界観の間で圧迫される。 システム中心の帰納的バイアスは、人間中心の哲学に置き換えられるべきである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal models and methods have great promise, but their progress has been stalled. Proposals using causality get squeezed between two opposing worldviews. Scientific perfectionism--an insistence on only using "correct" models--slows the adoption of causal methods in knowledge generating applications. Pushing in the opposite direction, the academic discipline of computer science prefers algorithms with no or few assumptions, and technologies based on automation and scalability are often selected for economic and business applications. We argue that these system-centric inductive biases should be replaced with a human-centric philosophy we refer to as scientific pragmatism. The machine learning community must strike the right balance to make space for the causal revolution to prosper.
• Abstract（参考訳）: 因果モデルと手法は大きな可能性を秘めているが、その進歩は停滞している。 因果関係を用いた提案は、対立する2つの世界観の間で圧迫される。 科学的完全主義(Scientific perfectionism) - 「正しい」モデルのみを使用することを主張する - 知識生成アプリケーションにおける因果的手法の採用を遅らせる。 逆方向に進むと、コンピュータ科学の学術分野は、仮定がほとんどあるいはほとんどないアルゴリズムを好んでおり、自動化とスケーラビリティに基づく技術は、しばしば経済やビジネスアプリケーションのために選択される。 これらのシステム中心の帰納的バイアスは、私たちが科学的プラグマティズムと呼ぶ人間中心の哲学に置き換えられるべきである、と我々は主張する。 機械学習コミュニティは、因果革命が繁栄するためのスペースを作るために、適切なバランスを取らなければならない。

関連論文リスト

• From Observation to Insight: Mechanistic World Models and the Quest for Autonomous Discovery [60.11725132433485]
  科学的発見は基本的に知識組織の問題であると主張する。 本稿では,表現,計算,学習の中心に再利用可能な機構を配置する新しい設計パラダイムであるメカニスティック・ワールド・モデルを紹介する。
  論文  参考訳（メタデータ） (2026-07-14T08:03:27Z)
• Position: Don't Just "Fix it in Post": A Science of AI Must Study Training Dynamics [33.29688543362749]
  AIの科学はポストホックな修正を超えて、モデルの振る舞いを生み出すトレーニングダイナミクスを研究する必要がある、と私たちは主張する。 我々は、科学史と哲学に根ざしたそのような理論の要件を明確に述べる。
  論文  参考訳（メタデータ） (2026-06-03T17:58:14Z)
• Position: Ideas Should be the Center of Machine Learning Research [0.0]
  機械学習の研究は、理解よりもメトリクスを優先するベンチマーク駆動エンジニアリングと、現代システムへの移行に失敗することが多い理想化された理論の2つの非接続モードにますます分岐している、と私たちは主張する。 我々は,現代のモデルで予測される行動シグネチャに対して,アイデアを価値付けするアイデアファーストフレームワークを提案し,これらのシグネチャは,リーダボードに勝つのではなく,関連するパターンを検出するように設計された調整された実験によってテストされる。
  論文  参考訳（メタデータ） (2026-05-14T16:36:27Z)
• AI4X Roadmap: Artificial Intelligence for the advancement of scientific pursuit and its future directions [65.44445343399126]
  我々は、生物学、化学、気候科学、数学、材料科学、物理学、自動運転研究所、非伝統的コンピューティングにまたがるAI可能な科学を考察する。 多様な信頼性のあるデータの必要性、伝達可能な電子構造と原子間モデル、AIシステムがエンドツーエンドの科学合成に統合される。 ドメイン全体にわたって、大規模な基礎モデル、アクティブラーニング、自動運転車研究所が、予測と検証の間のループを閉じる方法について強調する。
  論文  参考訳（メタデータ） (2025-11-26T02:10:28Z)
• AI Agents as Universal Task Solvers [94.49762121230042]
  我々は,過去のデータを用いて,普遍的な解法が達成できる最適なスピードアップが,アルゴリズム情報と密接な関係があることを示す。 我々は、推論モデルをスケールする際に最適化する重要な量は時間であり、学習における重要な役割は、これまでは間接的にのみ考慮されてきたと論じている。
  論文  参考訳（メタデータ） (2025-10-14T02:17:54Z)
• Newton to Einstein: Axiom-Based Discovery via Game Design [55.30047000068118]
  本稿では,ルール進化システムとして科学調査を再放送するゲームデザインフレームワークを提案する。 固定された仮定内で動作する従来のMLアプローチとは異なり、本手法は新たな理論構造の発見を可能にする。
  論文  参考訳（メタデータ） (2025-09-05T18:59:18Z)
• Beyond Statistical Learning: Exact Learning Is Essential for General Intelligence [59.07578850674114]
  音の誘惑的推論は、一般知能の必然的に望ましい側面である。 もっとも先進的なフロンティアシステムでさえ、定期的かつ一貫して容易に解決可能な推論タスクに干渉していることは、よく文書化されている。 彼らの不健全な振る舞いは、彼らの発展を支えている統計的学習のアプローチの結果である、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-30T14:37:50Z)
• Scaling Laws in Scientific Discovery with AI and Robot Scientists [72.3420699173245]
  自律的なジェネラリスト科学者(AGS)の概念は、エージェントAIとエンボディロボットを組み合わせて、研究ライフサイクル全体を自動化している。 AGSは科学的発見に必要な時間と資源を大幅に削減することを目指している。 これらの自律的なシステムが研究プロセスにますます統合されるにつれて、科学的な発見が新しいスケーリング法則に従うかもしれないという仮説を立てる。
  論文  参考訳（メタデータ） (2025-03-28T14:00:27Z)
• Noumenal Labs White Paper: How To Build A Brain [0.0]
  このホワイトペーパーでは、Noumenal Labsの取り組みをガイドする人工知能やマシンインテリジェンスの設計原則について説明している。 この分野での研究と開発の最終目標は、私たちの世界に対する理解を高め、私たちを置き換えることなく、それで行動する能力を高めるマシンインテリジェンスを設計することである。
  論文  参考訳（メタデータ） (2025-02-16T18:15:37Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Pessimism meets VCG: Learning Dynamic Mechanism Design via Offline Reinforcement Learning [114.36124979578896]
  オフライン強化学習アルゴリズムを用いて動的メカニズムを設計する。 我々のアルゴリズムは悲観主義の原理に基づいており、オフラインデータセットのカバレッジについて軽度な仮定しか必要としない。
  論文  参考訳（メタデータ） (2022-05-05T05:44:26Z)
• Why we need biased AI -- How including cognitive and ethical machine biases can enhance AI systems [0.0]
  学習アルゴリズムにおける人間の認知バイアスの構造的実装について論じる。 倫理的マシン動作を達成するには、フィルタ機構を適用する必要がある。 本論文は、機械バイアスの倫理的重要性を再評価するアイデアを明示的に追求する最初の仮段階である。
  論文  参考訳（メタデータ） (2022-03-18T12:39:35Z)
• 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)
• Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
  シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。 シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。 我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
  論文  参考訳（メタデータ） (2021-12-06T18:45:31Z)
• Learning from learning machines: a new generation of AI technology to meet the needs of science [59.261050918992325]
  科学的な発見のためのAIの有用性を高めるための新たな機会と課題を概説する。 産業におけるAIの目標と科学におけるAIの目標の区別は、データ内のパターンを識別することと、データから世界のパターンを発見することとの間に緊張を生じさせる。
  論文  参考訳（メタデータ） (2021-11-27T00:55:21Z)
• Causality in Neural Networks -- An Extended Abstract [0.0]
  因果推論は、人間が使用する主要な学習および説明ツールである。 因果性の概念を機械学習に導入することは、より良い学習と説明可能なモデルを提供するのに役立つ。
  論文  参考訳（メタデータ） (2021-06-03T09:52:36Z)
• Applying Deutsch's concept of good explanations to artificial intelligence and neuroscience -- an initial exploration [0.0]
  深層学習におけるドイツの難しい原則と、より形式化された原則とどのように関連しているかを調査します。 私たちは、人間の脳を見ることで、知能でどのように難しい説明が果たす役割を見ます。
  論文  参考訳（メタデータ） (2020-12-16T23:23:22Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)
• Off-the-shelf deep learning is not enough: parsimony, Bayes and causality [0.8602553195689513]
  材料科学における深層学習の実現に向けた機会と障害について論じる。 私たちは、ディープラーニングとAIは、因果関係が知られている分野に革命をもたらすのに十分な位置にあると論じています。
  論文  参考訳（メタデータ） (2020-05-04T15:16:30Z)

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。