論文の概要: Is it me, or is A larger than B: Uncovering the determinants of relational cognitive dissonance resolution

• arxiv url: http://arxiv.org/abs/2411.05809v1
• Date: Wed, 30 Oct 2024 08:52:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-17 08:33:25.348163
• Title: Is it me, or is A larger than B: Uncovering the determinants of relational cognitive dissonance resolution
• Title（参考訳）: 私か、Bより大きいか:関係性認知不協和分解の要因を明らかにする
• Authors: Tomer Barak, Yonatan Loewenstein,
• Abstract要約: 本研究では,認知的不協和の解消の基礎となる計算機構について検討する。 大きな不協和がオブジェクトの表現を変える一方で、小さな不協和が期待される関係の調整につながることを示す。
• 参考スコア（独自算出の注目度）: 0.30693357740321775
• License:
• Abstract: This study explores the computational mechanisms underlying the resolution of cognitive dissonances. We focus on scenarios in which an observation violates the expected relationship between objects. For instance, an agent expects object A to be smaller than B in some feature space but observes the opposite. One solution is to adjust the expected relationship according to the new observation and change the expectation to A being larger than B. An alternative solution would be to adapt the representation of A and B in the feature space such that in the new representation, the relationship that A is smaller than B is maintained. While both pathways resolve the dissonance, they generalize differently to different tasks. Using Artificial Neural Networks (ANNs) capable of relational learning, we demonstrate the existence of these two pathways and show that the chosen pathway depends on the dissonance magnitude. Large dissonances alter the representation of the objects, while small dissonances lead to adjustments in the expected relationships. We show that this effect arises from the inherently different learning dynamics of relationships and representations and study the implications.
• Abstract（参考訳）: 本研究では,認知的不協和の解消の基礎となる計算機構について検討する。 我々は、観測がオブジェクト間の期待される関係に反するシナリオに焦点を当てる。 例えば、エージェントは、ある特徴空間において対象 A が B より小さいと期待するが、その逆を観察する。 1つの解決策は、新しい観測値に従って期待される関係を調整し、期待値が B より大きい A に変更することである。 もう一つの解決策は、A と B の表現を特徴空間に適応させることで、新しい表現では、A が B より小さい関係を維持することである。 どちらの経路も不協和を解消するが、異なるタスクに対して異なる一般化を行う。 関係学習が可能な人工ニューラルネットワーク(ANN)を用いて、これらの2つの経路の存在を実証し、選択した経路が不協和度に依存することを示す。 大きな不協和は対象の表現を変え、小さな不協和は期待される関係の調整につながる。 この効果は、本質的に異なる関係や表現の学習力学から生じ、その影響を研究する。

関連論文リスト

• Two Effects, One Trigger: On the Modality Gap, Object Bias, and Information Imbalance in Contrastive Vision-Language Models [27.618704505738425]
  コントラスト視覚言語モデル(VLM)は、様々な下流タスクに適用可能であることで人気を集めている。 ゼロショットオブジェクト認識のようないくつかのタスクで成功しているにもかかわらず、属性認識のような他のタスクでは驚くほど貧弱である。 これまでの研究では、これらの課題は、モダリティギャップ、共有表現空間における画像とテキストの分離、属性などの他の要因に対するオブジェクトに対するバイアスなどによるものだった。
  論文  参考訳（メタデータ） (2024-04-11T17:58:06Z)
• RelVAE: Generative Pretraining for few-shot Visual Relationship Detection [2.2230760534775915]
  本研究は,注釈付き関係を必要としない数発述語分類のための最初の事前学習手法を提案する。 VG200とVRDのデータセットについて,数発のトレーニング分割を構築し,定量的な実験を行った。
  論文  参考訳（メタデータ） (2023-11-27T19:08:08Z)
• Estimating Treatment Effects Under Heterogeneous Interference [24.714971680893402]
  本稿では,多様な近隣住民の情報を集約する新しいアーキテクチャを開発することにより,異種干渉をモデル化する新しい手法を提案する。 提案手法は,同一ビュー情報を集約するグラフニューラルネットワーク,異なるビューから情報を集約するメカニズム,注目メカニズムを含む。
  論文  参考訳（メタデータ） (2023-09-25T05:44:17Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
  非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。 非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
  論文  参考訳（メタデータ） (2023-05-04T08:20:37Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Suspected Object Matters: Rethinking Model's Prediction for One-stage Visual Grounding [93.82542533426766]
  疑似オブジェクト間の対象オブジェクト選択を促進するため,疑似オブジェクト変換機構(SOT)を提案する。 SOTは既存のCNNとTransformerベースのワンステージ視覚グラウンドにシームレスに統合できる。 実験の結果,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-10T06:41:07Z)
• On the Role of Optimization in Double Descent: A Least Squares Study [30.44215064390409]
  最小二乗対象の降下勾配解に対して過大なリスクを負うことを示す。 ノイズのない回帰の場合、二重降下は最適化関連量によってのみ説明される。 ニューラルネットワークの予測が保たれているかどうかを実証的に調査する。
  論文  参考訳（メタデータ） (2021-07-27T09:13:11Z)
• 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)
• Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
  本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。 両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
  論文  参考訳（メタデータ） (2020-07-23T14:00:34Z)
• Interference and Generalization in Temporal Difference Learning [86.31598155056035]
  時間差学習における一般化と干渉の関係について検討する。 教師付き学習ではTDが容易に低干渉,低一般化パラメータにつながり,その効果は逆のように見える。
  論文  参考訳（メタデータ） (2020-03-13T15:49:58Z)

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。