論文の概要: Language and Experience: A Computational Model of Social Learning in Complex Tasks

• arxiv url: http://arxiv.org/abs/2509.00074v1
• Date: Tue, 26 Aug 2025 18:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.052935
• Title: Language and Experience: A Computational Model of Social Learning in Complex Tasks
• Title（参考訳）: 言語と経験:複雑な課題における社会学習の計算モデル
• Authors: Cédric Colas, Tracey Mills, Ben Prystawski, Michael Henry Tessler, Noah Goodman, Jacob Andreas, Joshua Tenenbaum,
• Abstract要約: 本稿では,社会学習を構造的かつ実行可能な世界モデルに対する共同確率的推論としてモデル化する枠組みを提案する。 言語指導がいかにして探索を形作り、リスクのある相互作用を減らし学習を促進するかを示す。 さらに、反復学習実験を通じて、世代にわたって知識がどのように蓄積できるかを探求し、人間とモデル間の知識伝達を成功させることを実証する。
• 参考スコア（独自算出の注目度）: 41.494062724995636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to combine linguistic guidance from others with direct experience is central to human development, enabling safe and rapid learning in new environments. How do people integrate these two sources of knowledge, and how might AI systems? We present a computational framework that models social learning as joint probabilistic inference over structured, executable world models given sensorimotor and linguistic data. We make this possible by turning a pretrained language model into a probabilistic model of how humans share advice conditioned on their beliefs, allowing our agents both to generate advice for others and to interpret linguistic input as evidence during Bayesian inference. Using behavioral experiments and simulations across 10 video games, we show how linguistic guidance can shape exploration and accelerate learning by reducing risky interactions and speeding up key discoveries in both humans and models. We further explore how knowledge can accumulate across generations through iterated learning experiments and demonstrate successful knowledge transfer between humans and models -- revealing how structured, language-compatible representations might enable human-machine collaborative learning.
• Abstract（参考訳）: 他者からの言語指導と直接的な経験を組み合わせる能力は、人間の発達の中心であり、新しい環境における安全で迅速な学習を可能にする。 これらの2つの知識源をどのように統合し、AIシステムにはどうすればよいのか? 本稿では,センサモレータと言語データを用いた社会学習を,構造化された,実行可能な世界モデルに対する共同確率的推論としてモデル化する計算フレームワークを提案する。 我々は、事前学習された言語モデルを、人間が信念に基づいてアドバイスを共有する確率論的モデルに転換し、エージェントが他人のアドバイスを生成し、ベイズ推論の証拠として言語入力を解釈できるようにする。 10のビデオゲームにおける行動実験とシミュレーションを用いて、リスクのある相互作用を減らし、人間とモデルの両方で重要な発見をスピードアップすることで、言語指導が探索を形作り、学習を加速する方法を示す。 さらに、反復的な学習実験を通じて、世代にわたって知識がどのように蓄積するかを探求し、人間とモデルの間の知識伝達の成功例を示します。

関連論文リスト

• Learning and communication pressures in neural networks: Lessons from emergent communication [5.371337604556311]
  ニューラルエージェントの言語行動と人間とのミスマッチが解決された3症例について検討した。 我々は、コミュニケーションの成功、生産努力、学習可能性、その他の心理・社会言語学的要因といった、言語学習と台頭のための重要なプレッシャーを識別する。
  論文  参考訳（メタデータ） (2024-03-21T14:33:34Z)
• Language Evolution with Deep Learning [49.879239655532324]
  計算モデリングは言語の出現の研究において重要な役割を担っている。 構造化言語の出現を誘発する可能性のある条件と学習プロセスをシミュレートすることを目的としている。 この章では、最近機械学習の分野に革命をもたらした別の種類の計算モデル、ディープ・ラーニング・モデルについて論じる。
  論文  参考訳（メタデータ） (2024-03-18T16:52:54Z)
• Learning Interpretable Concepts: Unifying Causal Representation Learning and Foundation Models [80.32412260877628]
  人間の解釈可能な概念をデータから学習する方法を研究する。 両分野からアイデアをまとめ、多様なデータから概念を確実に回収できることを示す。
  論文  参考訳（メタデータ） (2024-02-14T15:23:59Z)
• From Word Models to World Models: Translating from Natural Language to the Probabilistic Language of Thought [124.40905824051079]
  言語インフォームド・シンキングのための計算フレームワークである「構成」を合理的に提案する。 我々は、自然言語から確率論的思考言語への文脈感応的なマッピングとして、言語の意味を定式化する。 LLMは、現実的に適切な言語的意味をキャプチャする文脈依存翻訳を生成することができることを示す。 認知的なモチベーションを持つシンボリックモジュールを統合するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2023-06-22T05:14:00Z)
• Communication Drives the Emergence of Language Universals in Neural Agents: Evidence from the Word-order/Case-marking Trade-off [3.631024220680066]
  ニューラルエージェント言語学習通信フレームワーク(NeLLCom)を提案する。 我々はエージェントに特定のバイアスをハードコーディングすることなく、新しいフレームワークでトレードオフを複製することに成功しました。
  論文  参考訳（メタデータ） (2023-01-30T17:22:33Z)
• What Artificial Neural Networks Can Tell Us About Human Language Acquisition [47.761188531404066]
  自然言語処理のための機械学習の急速な進歩は、人間がどのように言語を学ぶかについての議論を変革する可能性がある。 計算モデルによる学習可能性の関連性を高めるためには,人間に対して大きな優位性を持たず,モデル学習者を訓練する必要がある。
  論文  参考訳（メタデータ） (2022-08-17T00:12:37Z)

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。