論文の概要: Automated scientific minimization of regret

• arxiv url: http://arxiv.org/abs/2505.17661v1
• Date: Fri, 23 May 2025 09:26:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.956971
• Title: Automated scientific minimization of regret
• Title（参考訳）: 後悔の科学的最小化の自動化
• Authors: Marcel Binz, Akshay K. Jagadish, Milena Rmus, Eric Schulz,
• Abstract要約: 後悔の科学的最小化(ASMR)について紹介する。 ASMRは自動計算認知科学のためのフレームワークである。 その結果,ASMRは音環境下での人間の行動を予測する認知モデルを発見し,解釈可能性を維持した。
• 参考スコア（独自算出の注目度）: 7.633645883658148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce automated scientific minimization of regret (ASMR) -- a framework for automated computational cognitive science. Building on the principles of scientific regret minimization, ASMR leverages Centaur -- a recently proposed foundation model of human cognition -- to identify gaps in an interpretable cognitive model. These gaps are then addressed through automated revisions generated by a language-based reasoning model. We demonstrate the utility of this approach in a multi-attribute decision-making task, showing that ASMR discovers cognitive models that predict human behavior at noise ceiling while retaining interpretability. Taken together, our results highlight the potential of ASMR to automate core components of the cognitive modeling pipeline.
• Abstract（参考訳）: 我々は、自動的な計算認知科学のフレームワークである後悔の自動科学的最小化(ASMR)を導入する。科学的後悔の最小化の原則に基づいて、ASMRは、最近提案された人間の認知の基礎モデルであるCentaurを活用して、解釈可能な認知モデルにおけるギャップを識別する。 これらのギャップは、言語ベースの推論モデルによって生成された自動修正によって解決される。 本稿では,多属性意思決定タスクにおけるこのアプローチの有用性を実証し,解釈可能性を維持しつつ,ノイズ天井における人間の行動を予測する認知モデルを明らかにする。 この結果から,認知モデルパイプラインのコアコンポーネントを自動化するASMRの可能性を強調した。

関連論文リスト

• APG-MOS: Auditory Perception Guided-MOS Predictor for Synthetic Speech [20.311467577180274]
  音声品質評価は、音声の主観的人間の知覚を定量化することを目的としている。 聴覚知覚誘導型MOS予測モデル(APG-MOS)を提案する。 APG-MOSは、人間の判断との整合性を高めるために、聴覚モデリングと意味分析を統合している。
  論文  参考訳（メタデータ） (2025-04-29T05:45:09Z)
• Shifting Attention to You: Personalized Brain-Inspired AI Models [3.0128071072792366]
  人間の行動洞察とミリ秒スケールのニューラルネットワークを微調整CLIPベースモデルに統合することで、修正されていないCLIPベースラインと比較して、行動性能が2倍になることを示す。 我々の研究は、適応型AIシステムを設計するための、新しい解釈可能なフレームワークを確立し、神経科学、パーソナライズドメディカル、人間とコンピュータの相互作用に幅広い意味を持つ。
  論文  参考訳（メタデータ） (2025-02-07T04:55:31Z)
• A Dynamic Systems Approach to Modelling Human-Machine Rhythm Interaction [4.33608942673382]
  本研究では、リズム処理の基礎となる物理および生物学的プロセスにインスパイアされた計算モデルを紹介する。 本研究は,人間の知覚範囲内でのリズムパターンを正確に知覚し,適応する能力を示すものである。
  論文  参考訳（メタデータ） (2024-06-26T10:07:20Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect Reasoning in Programmable Attractor Neural Networks [2.0646127669654826]
  本稿では,脳にインスパイアされた神経認知アーキテクチャであるNeuroCERILについて紹介する。 シミュレーションされたロボット模倣学習領域において,NeuroCERILは様々な手続き的スキルを習得できることを示す。 我々は、NeuroCERILは人間のような模倣学習の実行可能な神経モデルであると結論付けた。
  論文  参考訳（メタデータ） (2022-11-11T19:56:11Z)
• Data-driven emotional body language generation for social robotics [58.88028813371423]
  社会ロボティクスでは、人間型ロボットに感情の身体的表現を生成する能力を与えることで、人間とロボットの相互作用とコラボレーションを改善することができる。 我々は、手作業で設計されたいくつかの身体表現から学習する深層学習データ駆動フレームワークを実装した。 評価実験の結果, 生成した表現の人間同型とアニマシーは手作りの表現と異なる認識が得られなかった。
  論文  参考訳（メタデータ） (2022-05-02T09:21:39Z)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)

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。