論文の概要: Co-Creative Learning via Metropolis-Hastings Interaction between Humans and AI

• arxiv url: http://arxiv.org/abs/2506.15468v1
• Date: Wed, 18 Jun 2025 13:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.681956
• Title: Co-Creative Learning via Metropolis-Hastings Interaction between Humans and AI
• Title（参考訳）: メトロポリス・ハスティングによる人間とAIの協調学習
• Authors: Ryota Okumura, Tadahiro Taniguchi, Akira Taniguchi, Yoshinobu Hagiwara,
• Abstract要約: 我々は,人間とAIが相互に部分的な知覚情報と知識を統合して共通外部表現を構築する,共同創造学習を提案する。 我々は、このフレームワークをMetropolis-Hastingsネームゲーム(MHNG)に基づいた人間-AIインタラクションモデルを用いて実証的にテストした。 その結果,人間-AI対とMH系エージェントの相互作用による分類精度は有意に向上した。 ヒトの受入行動は、MH由来の受入確率と密接に一致した。
• 参考スコア（独自算出の注目度）: 6.712251433139411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose co-creative learning as a novel paradigm where humans and AI, i.e., biological and artificial agents, mutually integrate their partial perceptual information and knowledge to construct shared external representations, a process we interpret as symbol emergence. Unlike traditional AI teaching based on unilateral knowledge transfer, this addresses the challenge of integrating information from inherently different modalities. We empirically test this framework using a human-AI interaction model based on the Metropolis-Hastings naming game (MHNG), a decentralized Bayesian inference mechanism. In an online experiment, 69 participants played a joint attention naming game (JA-NG) with one of three computer agent types (MH-based, always-accept, or always-reject) under partial observability. Results show that human-AI pairs with an MH-based agent significantly improved categorization accuracy through interaction and achieved stronger convergence toward a shared sign system. Furthermore, human acceptance behavior aligned closely with the MH-derived acceptance probability. These findings provide the first empirical evidence for co-creative learning emerging in human-AI dyads via MHNG-based interaction. This suggests a promising path toward symbiotic AI systems that learn with humans, rather than from them, by dynamically aligning perceptual experiences, opening a new venue for symbiotic AI alignment.
• Abstract（参考訳）: 我々は,人間とAI,すなわち生物学的エージェントと人工エージェントを相互に統合し,その部分的知覚情報と知識を相互に統合し,共通外部表現を構築する,新たなパラダイムとして共創造学習を提案する。 一方的な知識伝達に基づく従来のAI教育とは異なり、これは本質的に異なるモダリティからの情報を統合するという課題に対処する。 我々は、このフレームワークを、分散ベイズ推論機構であるMetropolis-Hastings Name Game (MHNG)に基づいて、人間とAIの相互作用モデルを用いて実証的にテストする。 オンライン実験では、69人の参加者が、部分観測可能条件下で3種類のコンピュータエージェントタイプ(MHベース、常受容型、常拒絶型)のうちの1つと共同注意命名ゲーム(JA-NG)をプレイした。 その結果,MHをベースとしたエージェントを用いた人間とAIのペアは,インタラクションによる分類精度を著しく向上し,共有サインシステムへのより強力な収束を実現した。 さらに、ヒトの受容行動は、MH由来の受容確率と密接に一致した。 これらの知見は,MHNGをベースとした対話を通して,人間とAIのダイアドに共創造的学習が出現する最初の実証的証拠となる。 これは、知覚経験を動的に整列させ、共生AIアライメントのための新たな場所を開くことによって、人間からではなく人間から学ぶ共生AIシステムへの有望な道のりを示唆している。

関連論文リスト

• When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
  我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。 最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
  論文  参考訳（メタデータ） (2025-06-05T20:48:16Z)
• MoVEInt: Mixture of Variational Experts for Learning Human-Robot Interactions from Demonstrations [19.184155232662995]
  我々は,人間-ロボットインタラクション(HRI)のための共有潜在空間表現学習のための新しいアプローチを提案する。 本研究では,情報的潜在空間を用いて,ロボットの動きを正規化するための変分オートエンコーダ(VAE)を訓練する。 VAEにおける人間の観察に先立って情報的MDNを使用するアプローチは,より正確なロボットの動きを生成する。
  論文  参考訳（メタデータ） (2024-07-10T13:16:12Z)
• On the Emergence of Symmetrical Reality [51.21203247240322]
  物理仮想アマルガメーションの様々な形態を包含した統一表現を提供する対称現実感フレームワークを導入する。 我々は、対称現実の潜在的な応用を示すAI駆動型アクティブアシストサービスの例を提案する。
  論文  参考訳（メタデータ） (2024-01-26T16:09:39Z)
• Enhancing HOI Detection with Contextual Cues from Large Vision-Language Models [56.257840490146]
  ConCueは、HOI検出における視覚的特徴抽出を改善するための新しいアプローチである。 コンテクストキューをインスタンスと相互作用検出器の両方に統合するマルチトウワーアーキテクチャを用いたトランスフォーマーベースの特徴抽出モジュールを開発した。
  論文  参考訳（メタデータ） (2023-11-26T09:11:32Z)
• Human-AI collaboration is not very collaborative yet: A taxonomy of interaction patterns in AI-assisted decision making from a systematic review [6.013543974938446]
  意思決定支援システムにおける人工知能の活用は、技術的進歩に不相応に焦点を合わせてきた。 人間中心の視点は、既存のプロセスとのシームレスな統合のためにAIソリューションを設計することで、この懸念を緩和しようとする。
  論文  参考訳（メタデータ） (2023-10-30T17:46:38Z)
• Human-AI Coevolution [48.74579595505374]
  Coevolution AIは、人間とAIアルゴリズムが相互に連続的に影響を及ぼすプロセスである。 本稿では,AIと複雑性科学の交点における新たな研究分野の基盤として,Coevolution AIを紹介した。
  論文  参考訳（メタデータ） (2023-06-23T18:10:54Z)
• Enhancing Human Capabilities through Symbiotic Artificial Intelligence with Shared Sensory Experiences [6.033393331015051]
  我々は、共生人工知能と共有感覚体験(SAISSE)と呼ばれる人間とAIの相互作用における新しい概念を紹介する。 SAISSEは、共有感覚体験を通じて、AIシステムと人間のユーザ間の相互に有益な関係を確立することを目的としている。 本稿では,AIシステムとユーザの両方の長期的な成長と開発のためのメモリストレージユニットの導入について論じる。
  論文  参考訳（メタデータ） (2023-05-26T04:13:59Z)
• Adversarial Interaction Attack: Fooling AI to Misinterpret Human Intentions [46.87576410532481]
  現在の大きな成功にもかかわらず、ディープラーニングベースのAIシステムは、微妙な敵対的ノイズによって容易に騙されることを示した。 骨格に基づくヒトの相互作用のケーススタディに基づき、相互作用に対する新しい敵対的攻撃を提案する。 本研究では、安全クリティカルなアプリケーションにAIシステムをデプロイする際に慎重に対処する必要があるAIと人間との相互作用ループにおける潜在的なリスクを強調します。
  論文  参考訳（メタデータ） (2021-01-17T16:23:20Z)
• Learning Human-Object Interaction Detection using Interaction Points [140.0200950601552]
  本研究では,人間と物体の相互作用を直接検出する新しい完全畳み込み手法を提案する。 我々のネットワークは相互作用点を予測し、その相互作用を直接ローカライズし、分類する。 V-COCOとHICO-DETの2つの人気のあるベンチマークで実験が行われる。
  論文  参考訳（メタデータ） (2020-03-31T08:42:06Z)

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。