論文の概要: Causal-PIK: Causality-based Physical Reasoning with a Physics-Informed Kernel

• arxiv url: http://arxiv.org/abs/2505.22861v1
• Date: Wed, 28 May 2025 20:51:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.53724
• Title: Causal-PIK: Causality-based Physical Reasoning with a Physics-Informed Kernel
• Title（参考訳）: Causal-PIK:物理インフォームドカーネルを用いた因果推論
• Authors: Carlota Parés-Morlans, Michelle Yi, Claire Chen, Sarah A. Wu, Rika Antonova, Tobias Gerstenberg, Jeannette Bohg,
• Abstract要約: Causal-PIKは、ベイズ最適化を利用して物理インフォームドカーネルを介して因果相互作用を推論する手法である。 Causal-PIKは最先端の成果よりも優れており、目標を達成するためには少ないアクションを必要とする。 Causal-PIKは、人間の問題解決者であっても、非常に困難なタスクに対して競争力を維持しています。
• 参考スコア（独自算出の注目度）: 17.201376422577404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tasks that involve complex interactions between objects with unknown dynamics make planning before execution difficult. These tasks require agents to iteratively improve their actions after actively exploring causes and effects in the environment. For these type of tasks, we propose Causal-PIK, a method that leverages Bayesian optimization to reason about causal interactions via a Physics-Informed Kernel to help guide efficient search for the best next action. Experimental results on Virtual Tools and PHYRE physical reasoning benchmarks show that Causal-PIK outperforms state-of-the-art results, requiring fewer actions to reach the goal. We also compare Causal-PIK to human studies, including results from a new user study we conducted on the PHYRE benchmark. We find that Causal-PIK remains competitive on tasks that are very challenging, even for human problem-solvers.
• Abstract（参考訳）: 未知の動的なオブジェクト間の複雑な相互作用を含むタスクは、実行前に計画を立てるのを難しくします。 これらのタスクは、環境における原因や影響を積極的に探求した後、エージェントが反復的に行動を改善する必要がある。 このようなタスクに対して,ベイズ最適化を利用して物理インフォームドカーネルを介して因果関係を推論し,最適な次のアクションを効率的に探索する手法であるCausal-PIKを提案する。 仮想ツールとPHYRE物理推論ベンチマークの実験結果から、Causal-PIKは最先端の結果よりも優れており、目標を達成するためにアクションが少ないことが示されている。 また、PHYREベンチマークで実施した新しいユーザ調査の結果を含め、Causal-PIKと人間の研究を比較した。 Causal-PIKは、人間の問題解決者であっても、非常に困難なタスクに対して競争力を維持しています。

関連論文リスト

• DeepSeek vs. ChatGPT vs. Claude: A Comparative Study for Scientific Computing and Scientific Machine Learning Tasks [2.4249056411704384]
  大きな言語モデル(LLM)は、幅広い問題に対処するための強力なツールとして登場した。 私たちは、DeepSeek、ChatGPT、Claudeといった先進的なLLMの能力と、計算上の課題に対処する際の推論最適化バージョンを比較した。
  論文  参考訳（メタデータ） (2025-02-25T01:49:50Z)
• LLMPhy: Complex Physical Reasoning Using Large Language Models and World Models [35.01842161084472]
  そこで我々は,TraySimという物理推論タスクとデータセットを提案する。 私たちのタスクは、外部の影響を受けるトレイ上のいくつかのオブジェクトのダイナミクスを予測することです。 LLMの物理知識とプログラム合成能力を活用するゼロショットブラックボックス最適化フレームワークであるLLMPhyを提案する。 この結果から,LLMと物理エンジンの組み合わせにより,最先端のゼロショット物理推論性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-11-12T18:56:58Z)
• PhyPlan: Generalizable and Rapid Physical Task Planning with Physics Informed Skill Networks for Robot Manipulators [5.4089975505600005]
  物理推論の既存の方法は、実世界固有の複雑さと不確実性に苦しむデータハングリーである。 本稿では,物理インフォームドニューラルネットワーク(PINN)と修正モンテカルロ木探索(MCTS)を組み合わせた物理インフォームド計画フレームワークであるPhyPlanについて述べる。
  論文  参考訳（メタデータ） (2024-04-22T06:35:08Z)
• PhyPlan: Compositional and Adaptive Physical Task Reasoning with Physics-Informed Skill Networks for Robot Manipulators [5.680235630702706]
  物理推論の既存の方法は、実世界固有の複雑さと不確実性に苦しむデータハングリーである。 本稿では,物理インフォームドニューラルネットワーク(PINN)と修正モンテカルロ木探索(MCTS)を組み合わせた物理インフォームド計画フレームワークであるPhyPlanについて述べる。
  論文  参考訳（メタデータ） (2024-02-24T08:51:03Z)
• CausalGym: Benchmarking causal interpretability methods on linguistic tasks [52.61917615039112]
  CausalGymを使って、モデル動作に因果的に影響を及ぼす解釈可能性手法のベンチマークを行う。 ピチアモデル (14M--6.9B) について検討し, 幅広い解釈可能性手法の因果効果について検討した。 DASは他の手法よりも優れており、2つの困難な言語現象の学習軌跡の研究に利用している。
  論文  参考訳（メタデータ） (2024-02-19T21:35:56Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• CLEVRER-Humans: Describing Physical and Causal Events the Human Way [51.68416979907198]
  CLEVRER-Humansベンチマークは,人間ラベルを用いた物理的事象の因果判定のためのビデオデータセットである。 まず、ビデオ内のイベントを新たに表現するための、新しい反復的なイベントクローゼタスク、すなわち、Causal Event Graphs (CEGs) と呼ぶもので、第2に、ニューラルネットワーク生成モデルに基づくデータ拡張技術である。
  論文  参考訳（メタデータ） (2023-10-05T16:09:48Z)
• Physics-Based Task Generation through Causal Sequence of Physical Interactions [3.2244944291325996]
  物理的な環境でタスクを実行することは、現実世界で動作するAIシステムにとって決定的に難しい問題である。 本稿では,物体間の物理的相互作用の因果シーケンスを用いて物理シナリオを定義するための体系的なアプローチを提案する。 次に,定義したシナリオを入力として,物理シミュレーション環境でタスクを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-05T10:15:18Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• 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)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)

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。