論文の概要: Aligning AI-driven discovery with human intuition

• arxiv url: http://arxiv.org/abs/2410.07397v1
• Date: Wed, 9 Oct 2024 19:52:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 20:47:00.227272
• Title: Aligning AI-driven discovery with human intuition
• Title（参考訳）: AIによる人間の直感による発見のアライメント
• Authors: Kevin Zhang, Hod Lipson,
• Abstract要約: AI駆動の科学モデリングプロセスは、一般的に隠れた状態変数を特定することから始まる。 有意な予測変数のコンパクトな集合を見つけることは数学的に困難であり、定義されていない。 人間の直感と自然に整合した表現を蒸留するための新しい一般原理を提案する。
• 参考スコア（独自算出の注目度）: 6.229216953398305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As data-driven modeling of physical dynamical systems becomes more prevalent, a new challenge is emerging: making these models more compatible and aligned with existing human knowledge. AI-driven scientific modeling processes typically begin with identifying hidden state variables, then deriving governing equations, followed by predicting and analyzing future behaviors. The critical initial step of identification of an appropriate set of state variables remains challenging for two reasons. First, finding a compact set of meaningfully predictive variables is mathematically difficult and under-defined. A second reason is that variables found often lack physical significance, and are therefore difficult for human scientists to interpret. We propose a new general principle for distilling representations that are naturally more aligned with human intuition, without relying on prior physical knowledge. We demonstrate our approach on a number of experimental and simulated system where the variables generated by the AI closely resemble those chosen independently by human scientists. We suggest that this principle can help make human-AI collaboration more fruitful, as well as shed light on how humans make scientific modeling choices.
• Abstract（参考訳）: 物理力学系のデータ駆動モデリングが普及するにつれ、これらのモデルをより適合させ、既存の人間の知識と整合させるという新たな課題が生まれつつある。 AI駆動の科学モデリングプロセスは、一般的に隠れた状態変数を特定し、その後に支配方程式を導出し、次に将来の振る舞いを予測し分析する。 状態変数の適切なセットを特定するための重要な初期ステップは、2つの理由から難しいままである。 第一に、有意な予測変数のコンパクトな集合を見つけることは数学的に困難で未定義である。 第二の理由は、発見される変数は物理的重要性を欠くことが多く、それゆえ、人間の科学者が解釈することが困難であるからである。 本研究では,人間の直観と自然に整合した表現を,従来の物理知識に頼らずに蒸留するための新しい一般原理を提案する。 我々は、AIが生成する変数が、人間科学者が独立に選択した変数とよく似た、実験的でシミュレーションされたシステムに対して、我々のアプローチを実証する。 この原則は、人間とAIのコラボレーションをより実りあるものにし、人間の科学的モデリング選択の仕方に光を当てるのに役立つと提案する。

関連論文リスト

• Towards Neural Network based Cognitive Models of Dynamic Decision-Making by Humans [16.72938921687168]
  私たちはインスタンスベースの学習(IBL)に基づいて、人間の決定は過去に遭遇した同様の状況に基づいていると仮定します。 本研究では,2つの新しい注意型ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-24T20:28:03Z)
• Closely Interactive Human Reconstruction with Proxemics and Physics-Guided Adaption [64.07607726562841]
  既存の人間再建アプローチは主に、正確なポーズの回復や侵入を避けることに焦点を当てている。 本研究では,モノクロ映像から密に対話的な人間を再構築する作業に取り組む。 本稿では,視覚情報の欠如を補うために,確率的行動や物理からの知識を活用することを提案する。
  論文  参考訳（メタデータ） (2024-04-17T11:55:45Z)
• Position: Stop Making Unscientific AGI Performance Claims [6.343515088115924]
  人工知能(AI)分野の発展は、人工知能(AGI)の「スパーク」を観察するための「完璧な嵐」を生み出した。 我々は、モデルの潜在空間における有意義なパターンの発見は、AGIを支持する証拠とは見なされないことを議論し、実証的に実証した。 我々は、モデル表現と興味のある変数の間の相関が、モデルが根底にある「真実」の関係について理解していることから「原因」であるとの誤解に対して、AIの方法論的設定と一般的な公開イメージの両方が理想的であると結論付けている。
  論文  参考訳（メタデータ） (2024-02-06T12:42:21Z)
• Large Language Models for Scientific Synthesis, Inference and Explanation [56.41963802804953]
  大規模言語モデルがどのように科学的合成、推論、説明を行うことができるかを示す。 我々は,この「知識」を科学的文献から合成することで,大きな言語モデルによって強化できることを示す。 このアプローチは、大きな言語モデルが機械学習システムの予測を説明することができるというさらなる利点を持っている。
  論文  参考訳（メタデータ） (2023-10-12T02:17:59Z)
• X-VoE: Measuring eXplanatory Violation of Expectation in Physical Events [75.94926117990435]
  本研究では,AIエージェントによる直感的な物理の把握を評価するベンチマークデータセットであるX-VoEを紹介する。 X-VoEは直感的な物理モデルの説明能力を高めるためのより高いバーを確立する。 本稿では、物理力学を捉え、隠蔽対象状態を推定する説明に基づく学習システムを提案する。
  論文  参考訳（メタデータ） (2023-08-21T03:28:23Z)
• Collective variable discovery in the age of machine learning: reality, hype and everything in between [0.0]
  分子動力学シミュレーションは、生体分子の運動力学と分子認識を理解するために日常的に用いられている。 物理化学において、これらの低次元変数はしばしば集合変数と呼ばれる。 本稿では、幾何学的変数から抽象変数まで、よく使われる集合変数のいくつかのニュアンスについて紹介する。
  論文  参考訳（メタデータ） (2021-12-06T17:58:53Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• 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)
• 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)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。