論文の概要: Be.FM: Open Foundation Models for Human Behavior

• arxiv url: http://arxiv.org/abs/2505.23058v1
• Date: Thu, 29 May 2025 04:03:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.665604
• Title: Be.FM: Open Foundation Models for Human Behavior
• Title（参考訳）: Be.FM: 人間の行動のためのオープンファンデーションモデル
• Authors: Yutong Xie, Zhuoheng Li, Xiyuan Wang, Yijun Pan, Qijia Liu, Xingzhi Cui, Kuang-Yu Lo, Ruoyi Gao, Xingjian Zhang, Jin Huang, Walter Yuan, Matthew O. Jackson, Qiaozhu Mei,
• Abstract要約: Be.FMは人間の行動モデリング用に設計された最初のオープンファンデーションモデルの一つである。 オープンソースの大規模言語モデルに基づいて構築されたBe.FMは、人間の意思決定を理解し予測するために使用することができる。
• 参考スコア（独自算出の注目度）: 19.07849836771506
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Despite their success in numerous fields, the potential of foundation models for modeling and understanding human behavior remains largely unexplored. We introduce Be.FM, one of the first open foundation models designed for human behavior modeling. Built upon open-source large language models and fine-tuned on a diverse range of behavioral data, Be.FM can be used to understand and predict human decision-making. We construct a comprehensive set of benchmark tasks for testing the capabilities of behavioral foundation models. Our results demonstrate that Be.FM can predict behaviors, infer characteristics of individuals and populations, generate insights about contexts, and apply behavioral science knowledge.
• Abstract（参考訳）: 彼らの多くの分野での成功にもかかわらず、人間の行動のモデリングと理解のための基礎モデルの可能性はほとんど未解明のままである。 Be.FMは人間の行動モデリング用に設計された最初のオープンファンデーションモデルの一つである。 オープンソースの大規模言語モデルに基づいて構築され、多様な行動データに基づいて微調整されたBe.FMは、人間の意思決定を理解し予測するために使用できる。 行動基礎モデルの能力をテストするためのベンチマークタスクを包括的に構築する。 以上の結果から,Be.FMは行動を予測することができ,個人や集団の特徴を推測し,文脈についての洞察を生成し,行動科学の知識を応用できることが示された。

関連論文リスト

• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• Human-Centric Foundation Models: Perception, Generation and Agentic Modeling [79.97999901785772]
  人間中心のファンデーションモデルは、多様な人間中心のタスクを単一のフレームワークに統合します。 我々は,現在のアプローチを4つのグループに分類する分類法を提案することで,HcFMの包括的概要を示す。 この調査は、より堅牢で汎用的でインテリジェントなデジタルヒューマン・エンボディメントモデリングを目指す研究者や実践者のロードマップとして機能することを目的としている。
  論文  参考訳（メタデータ） (2025-02-12T16:38:40Z)
• Fully Data-driven but Interpretable Human Behavioural Modelling with Differentiable Discrete Choice Model [0.0]
  Diff-DCMは、人間の行動の解釈可能なモデリング、学習、予測、制御のための完全なデータ駆動方式である。 実験により、Diff-DCMは様々な種類のデータに適用でき、少量の計算資源しか必要としないことが示された。 この研究は、人間の行動を完全に自動化し、信頼性の高いモデリング、予測、制御のための強力な基礎を提供する。
  論文  参考訳（メタデータ） (2024-12-27T01:53:18Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)
• Learning from models beyond fine-tuning [78.20895343699658]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Turning large language models into cognitive models [0.0]
  大規模言語モデルが認知モデルに変換可能であることを示す。 これらのモデルは人間の行動の正確な表現を提供し、2つの意思決定領域において従来の認知モデルよりも優れている。 これらの結果は、大規模で事前学習されたモデルが一般的な認知モデルに適応できることを示唆している。
  論文  参考訳（メタデータ） (2023-06-06T18:00:01Z)
• Model-agnostic Fits for Understanding Information Seeking Patterns in Humans [0.0]
  不確実な意思決定タスクでは、人間はそのタスクに関連する情報を探し、統合し、行動する際、特徴的なバイアスを示す。 ここでは,これらのバイアスを総合的に測定・分類した,大規模に収集した先行設計実験のデータを再検討した。 これらのバイアスを集約的に再現するディープラーニングモデルを設計し、個々の行動の変化を捉えます。
  論文  参考訳（メタデータ） (2020-12-09T04:34:58Z)

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。