論文の概要: Causality in the human niche: lessons for machine learning

• arxiv url: http://arxiv.org/abs/2506.13803v1
• Date: Fri, 13 Jun 2025 14:13:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.152286
• Title: Causality in the human niche: lessons for machine learning
• Title（参考訳）: ニッチにおける因果性:機械学習の教訓
• Authors: Richard D. Lange, Konrad P. Kording,
• Abstract要約: 機械学習システムに人間のような因果能力を構築することは、効果的で解釈可能なAIの構築を促進する可能性がある。 このような因果的能力が人間のニッチにどのように適応し、動機付けされているかを探る。
• 参考スコア（独自算出の注目度）: 1.6114012813668932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans interpret the world around them in terms of cause and effect and communicate their understanding of the world to each other in causal terms. These causal aspects of human cognition are thought to underlie humans' ability to generalize and learn efficiently in new domains, an area where current machine learning systems are weak. Building human-like causal competency into machine learning systems may facilitate the construction of effective and interpretable AI. Indeed, the machine learning community has been importing ideas on causality formalized by the Structural Causal Model (SCM) framework, which provides a rigorous formal language for many aspects of causality and has led to significant advances. However, the SCM framework fails to capture some salient aspects of human causal cognition and has likewise not yet led to advances in machine learning in certain critical areas where humans excel. We contend that the problem of causality in the ``human niche'' -- for a social, autonomous, and goal-driven agent sensing and acting in the world in which humans live -- is quite different from the kind of causality captured by SCMs. For example, everyday objects come in similar types that have similar causal properties, and so humans readily generalize knowledge of one type of object (cups) to another related type (bowls) by drawing causal analogies between objects with similar properties, but such analogies are at best awkward to express in SCMs. We explore how such causal capabilities are adaptive in, and motivated by, the human niche. By better appreciating properties of human causal cognition and, crucially, how those properties are adaptive in the niche in which humans live, we hope that future work at the intersection of machine learning and causality will leverage more human-like inductive biases to create more capable, controllable, and interpretable systems.
• Abstract（参考訳）: 人間は、原因と効果の観点から周囲の世界を解釈し、因果的な言葉で世界に対する理解を互いに伝達する。 人間の認知のこれらの因果的側面は、現在の機械学習システムが弱い領域である新しい領域において、人間が一般化し、効率的に学習する能力を弱めていると考えられている。 機械学習システムに人間のような因果能力を構築することは、効果的で解釈可能なAIの構築を促進する可能性がある。 実際、機械学習コミュニティは、構造因果モデル(Structure Causal Model, SCM)フレームワークによって形式化された因果関係に関するアイデアを輸入してきた。 しかし、SCMフレームワークは、人間の因果認知の健全な側面を捉えることができず、また、人間の卓越した特定の臨界領域において、機械学習の進歩を導いていない。 我々は、「人間ニッチ」における因果関係の問題は、社会的な、自律的で、目標主導のエージェントが、人間が生きる世界で検知し、行動することであり、SCMが捉えた因果関係とは全く異なると論じている。 例えば、日常的な対象は、類似した因果特性を持つ類似の型に属するため、人間は類似した性質を持つオブジェクト間の因果類似を描画することで、ある種類の対象(カップ)の知識を他の関連タイプの(ボウル)に容易に一般化するが、そのような類似性は、SCMで表現するのがもっとも困難である。 このような因果的能力が人間のニッチにどのように適応し、動機付けされているかを探る。 人間の因果認識の特性をよりよく評価し、人間の住むニッチにおいてそれらの特性がどのように適応しているかを決定的に評価することで、機械学習と因果関係の交差点における将来の作業が、より有能で制御可能で解釈可能なシステムを構築するために、より人間的な帰納バイアスを活用することを願っている。

関連論文リスト

• Learning Causality for Modern Machine Learning [2.093689302081589]
  過去数十年間、経験的リスク最小化による機械学習は、学習において大きな能力を示してきた。 ERMは、変更の理解と処理方法の因果関係のモデリングを避けます。 本稿では,現代の機械学習において,より広範なタスクの因果性を取り入れ,実現する方法を検討する。
  論文  参考訳（メタデータ） (2025-06-13T21:03:49Z)
• Exploring Causality for HRI: A Case Study on Robotic Mental Well-being Coaching [9.131470351183392]
  本研究は, 相互作用における順応性の効果について, より深い知見を得ることを目的としている。 本研究は,マクロレベルの因果解析とマイクロレベルの因果解析を併用することにより,相互作用中の順応性によって幸福感が向上する可能性について,より深い知見を得ることを目的とする。
  論文  参考訳（メタデータ） (2025-03-04T08:56:47Z)
• Visual cognition in multimodal large language models [12.603212933816206]
  近年の進歩は、人間のような認知能力をエミュレートする可能性への関心を再燃させた。 本稿では、直観物理学、因果推論、直観心理学の分野における視覚に基づく大規模言語モデルの現状を評価する。
  論文  参考訳（メタデータ） (2023-11-27T18:58:34Z)
• Enabling High-Level Machine Reasoning with Cognitive Neuro-Symbolic Systems [67.01132165581667]
  本稿では,認知アーキテクチャを外部のニューロシンボリックコンポーネントと統合することにより,AIシステムにおける高レベル推論を実現することを提案する。 本稿では,ACT-Rを中心としたハイブリッドフレームワークについて紹介し,最近の応用における生成モデルの役割について論じる。
  論文  参考訳（メタデータ） (2023-11-13T21:20:17Z)
• Modeling Human Behavior Part I -- Learning and Belief Approaches [0.0]
  探索とフィードバックを通じて行動のモデルや方針を学ぶ手法に焦点を当てる。 次世代の自律的適応システムは、主にAIエージェントと人間がチームとして一緒に働く。
  論文  参考訳（メタデータ） (2022-05-13T07:33:49Z)
• 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)
• Towards Causal Representation Learning [96.110881654479]
  機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
  論文  参考訳（メタデータ） (2021-02-22T15:26:57Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Learning to Complement Humans [67.38348247794949]
  オープンワールドにおけるAIに対するビジョンの高まりは、知覚、診断、推論タスクのために人間を補完できるシステムの開発に焦点を当てている。 我々は,人間-機械チームの複合的なパフォーマンスを最適化するために,エンド・ツー・エンドの学習戦略をどのように活用できるかを実証する。
  論文  参考訳（メタデータ） (2020-05-01T20:00:23Z)

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。