Fugu-MT 論文翻訳(概要): "Cause" is Mechanistic Narrative within Scientific Domains: An Ordinary Language Philosophical Critique of "Causal Machine Learning"

論文の概要: "Cause" is Mechanistic Narrative within Scientific Domains: An Ordinary Language Philosophical Critique of "Causal Machine Learning"

arxiv url: http://arxiv.org/abs/2501.05844v1
Date: Fri, 10 Jan 2025 10:36:26 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-13 15:26:54.053639
Title: "Cause" is Mechanistic Narrative within Scientific Domains: An Ordinary Language Philosophical Critique of "Causal Machine Learning"
Title（参考訳）: カウセ」は科学領域における機械的ナラティブ:「カウサル機械学習」の日常言語哲学的批判
Authors: Vyacheslav Kungurtsev, Leonardo Christov Moore, Gustav Sir, Martin Krutsky,
Abstract要約: 因果学習は近年,AIの主要なテーマとして浮上している。我々は、真の原因と効果現象を学習し、認識する認識論を考察する。
参考スコア（独自算出の注目度）: 2.5782973781085383
License:
Abstract: Causal Learning has emerged as a major theme of AI in recent years, promising to use special techniques to reveal the true nature of cause and effect in a number of important domains. We consider the Epistemology of learning and recognizing true cause and effect phenomena. Through thought exercises on the customary use of the word ''cause'', especially in scientific domains, we investigate what, in practice, constitutes a valid causal claim. We recognize the word's uses across scientific domains in disparate form but consistent function within the scientific paradigm. We highlight fundamental distinctions of practice that can be performed in the natural and social sciences, highlight the importance of many systems of interest being open and irreducible and identify the important notion of Hermeneutic knowledge for social science inquiry. We posit that the distinct properties require that definitive causal claims can only come through an agglomeration of consistent evidence across multiple domains and levels of abstraction, such as empirical, physiological, biochemical, etc. We present Cognitive Science as an exemplary multi-disciplinary field providing omnipresent opportunity for such a Research Program, and highlight the main general modes of practice of scientific inquiry that can adequately merge, rather than place as incorrigibly conflictual, multi-domain multi-abstraction scientific practices and language games.
Abstract（参考訳）: 因果学習(Causal Learning)は近年,AIの主要なテーマとして現れ,さまざまな重要な領域における原因と効果の真の性質を明らかにするために,特別なテクニックを使用することを約束している。我々は、真の原因と効果現象を学習し、認識する認識論を考察する。科学分野における「なぜ」という言葉の慣用的使用に関する思考演習を通じて、実際に何が有効な因果的主張を構成するのかを調査する。我々は、この単語が科学的な領域にまたがって異なる形態であるが、科学パラダイムの中で一貫した機能で使われていることを認識している。我々は、自然科学と社会科学で実施できる実践の基本的な区別を強調し、多くの利害関係のシステムがオープンで理解不可能であることの重要性を強調し、社会科学調査におけるハーメニューティック知識の重要な概念を特定する。我々は、決定的な因果的主張は、複数の領域にまたがる一貫した証拠と、経験、生理学、生化学などの抽象レベルを集約することでのみ得られると仮定する。我々は,認知科学を,そのような研究プログラムの全体的機会を提供する,模範的な多分野の分野として提示し,矛盾のない多分野の多分野の科学的実践や言語ゲームとしてではなく,適切に統合可能な科学調査の実践の一般的な方法を強調した。

関連論文リスト

Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文参考訳（メタデータ） (2024-11-10T16:40:27Z)
LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文参考訳（メタデータ） (2024-05-16T03:04:10Z)
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)
Artificial Intelligence for Science in Quantum, Atomistic, and Continuum Systems [268.585904751315]
科学のためのAI(AI4Science)として知られる新しい研究領域領域は、物理世界(波動関数と電子密度)、原子(分子、タンパク質、物質、相互作用)、マクロ(流体、気候、地下)まで理解することを目的としている。主要な課題は、物理第一原理、特に対称性を深層学習法によって自然システムで捉える方法である。
論文参考訳（メタデータ） (2023-07-17T12:14:14Z)
Discovering Causal Relations and Equations from Data [23.802778299505288]
本稿では、物理学の幅広い分野における因果関係と方程式発見に関する概念、方法、および関連する研究について概説する。我々は、観察因果関係と方程式発見のための分類法を提供し、接続を指摘し、ケーススタディの完全なセットを示します。興奮する時間は、複雑なシステムに対する理解を改善するための多くの課題と機会に先立ちます。
論文参考訳（メタデータ） (2023-05-21T19:22:50Z)
Expanding the Role of Affective Phenomena in Multimodal Interaction Research [57.069159905961214]
マルチモーダルインタラクション, 感情計算, 自然言語処理において, 選ばれたカンファレンスから16,000以上の論文を調査した。本論文では,感情関連論文910を同定し,情緒現象の役割について分析した。我々は、人間の社会的行動や認知状態の機械的理解を高めるために、AIシステムによって感情と感情の予測がどのように使用されるかについて、限られた研究結果を得た。
論文参考訳（メタデータ） (2023-05-18T09:08:39Z)
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)
AI Research Associate for Early-Stage Scientific Discovery [1.6861004263551447]
人工知能(AI)は科学活動に何十年も使われ続けている。我々は、最小バイアスの物理に基づくモデリングに基づく、初期段階の科学的発見のためのAI研究アソシエイトを提案する。
論文参考訳（メタデータ） (2022-02-02T17:05:52Z)
Expressing High-Level Scientific Claims with Formal Semantics [0.8258451067861932]
我々は、すべての分野の科学論文のサンプルから主要な主張を分析する。それらの意味論は RDF や OWL のような形式論の直接的な応用よりも複雑である。ここでは、このスーパーパターンの5つのスロットのインスタンス化が、高階論理における厳密に定義されたステートメントにどのように導かれるかを示す。
論文参考訳（メタデータ） (2021-09-27T09:52:49Z)
An ontology for the formalization and visualization of scientific knowledge [0.0]
オントロジソース(特定の分野の知識オブジェクトのオントロジー、語彙的および高レベルのオブジェクトのオントロジー)、専門知識ベース、科学者へのインタビューから構築された最初のバージョンを提示する。この検証は、物理学の分野で始められた様々な情報源からの知識の形式化に使われる。
論文参考訳（メタデータ） (2021-07-09T10:33:45Z)
Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
論文参考訳（メタデータ） (2020-10-27T12:12:12Z)

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。