論文の概要: Meta-learning ecological priors from large language models explains human learning and decision making

• arxiv url: http://arxiv.org/abs/2509.00116v2
• Date: Wed, 03 Sep 2025 03:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.092851
• Title: Meta-learning ecological priors from large language models explains human learning and decision making
• Title（参考訳）: 大規模言語モデルを用いたメタラーニング生態学的先行研究 : 人間の学習と意思決定について
• Authors: Akshay K. Jagadish, Mirko Thalmann, Julian Coda-Forno, Marcel Binz, Eric Schulz,
• Abstract要約: 生態学的基盤と合理的解析の規範的基礎を統一する計算フレームワークである生態学的合理的解析を導入する。 我々は、生態学的に合理的なメタ学習推論(ERMI)という新しい学習アルゴリズムを開発する。 ERMIは自然主義問題空間の統計正則性を内包し、新しい状況に柔軟に適用する。 その結果、人間の認知の多くは、日常生活で遭遇する問題の生態構造に適応的適応性を反映している可能性が示唆された。
• 参考スコア（独自算出の注目度）: 24.65158566183862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human cognition is profoundly shaped by the environments in which it unfolds. Yet, it remains an open question whether learning and decision making can be explained as a principled adaptation to the statistical structure of real-world tasks. We introduce ecologically rational analysis, a computational framework that unifies the normative foundations of rational analysis with ecological grounding. Leveraging large language models to generate ecologically valid cognitive tasks at scale, and using meta-learning to derive rational models optimized for these environments, we develop a new class of learning algorithms: Ecologically Rational Meta-learned Inference (ERMI). ERMI internalizes the statistical regularities of naturalistic problem spaces and adapts flexibly to novel situations, without requiring hand-crafted heuristics or explicit parameter updates. We show that ERMI captures human behavior across 15 experiments spanning function learning, category learning, and decision making, outperforming several established cognitive models in trial-by-trial prediction. Our results suggest that much of human cognition may reflect adaptive alignment to the ecological structure of the problems we encounter in everyday life.
• Abstract（参考訳）: 人間の認知は、それが広がる環境によって大きく形作られます。 しかし、実際のタスクの統計構造への原則的適応として、学習と意思決定が説明できるかどうかについては、未解決のままである。 生態学的基盤と合理的解析の規範的基礎を統一する計算フレームワークである生態学的合理的解析を導入する。 大規模言語モデルを用いて、生態学的に有効な認知タスクを大規模に生成し、メタラーニングを用いてこれらの環境に最適化された有理モデルを生成することにより、新しい学習アルゴリズムであるエコロジカル・ラショナル・メタ学習推論(ERMI)を開発した。 ERMIは自然主義問題空間の統計正則性を内包し、手作りのヒューリスティックや明示的なパラメータ更新を必要とせず、フレキシブルに新しい状況に適応する。 ERMIは, 機能学習, カテゴリー学習, 意思決定にまたがる15の実験において, 人間の行動を捉え, トライアル・バイ・トライアルの予測において, 定評ある認知モデルよりも優れていることを示す。 その結果、人間の認知の多くは、日常生活で遭遇する問題の生態構造に適応的適応性を反映している可能性が示唆された。

関連論文リスト

• LogiDynamics: Unraveling the Dynamics of Logical Inference in Large Language Model Reasoning [74.0242521818214]
  本稿では、類似推論のための制御された評価環境を導入することにより、探索的アプローチを採用する。 帰納的,帰納的,帰納的,帰納的な推論パイプラインの比較力学を解析する。 仮説選択や検証,洗練といった高度なパラダイムを考察し,論理的推論のスケールアップの可能性を明らかにする。
  論文  参考訳（メタデータ） (2025-02-16T15:54:53Z)
• Predictive Learning in Energy-based Models with Attractor Structures [5.542697199599134]
  本稿では、エネルギーベースモデル(EBM)を用いて、ニューラルシステム内の動作後の観測を予測するための微妙なプロセスをキャプチャするフレームワークを提案する。 実験による評価では,様々なシナリオにまたがって有効性を示す。
  論文  参考訳（メタデータ） (2025-01-23T11:04:25Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• "What's my model inside of?": Exploring the role of environments for grounded natural language understanding [1.8829370712240063]
  この論文では、自然言語理解(NLU)研究に対する生態学的アプローチを採用する。 我々は,テキストベースのゲーム環境に基づく手続き的テキスト理解のための新しいトレーニングとアノテーションアプローチを開発した。 我々は,科学者のような知識労働者を対象とした,AIを活用した「社会的思考環境」の設計を提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:52:46Z)
• Human-like Category Learning by Injecting Ecological Priors from Large Language Models into Neural Networks [8.213829427624407]
  我々は、生態学的に合理的なメタ学習推論(ERMI)と呼ばれるモデルのクラスを開発する。 ERMIは2つの異なる実験で、人間のデータを他の7つの認知モデルより定量的に説明します。 ERMIの生態学的に有効な事前評価により,OpenML-CC18分類ベンチマークで最先端のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2024-02-02T16:32:04Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• CogReact: A Reinforced Framework to Model Human Cognitive Reaction Modulated by Dynamic Intervention [11.149593958041937]
  本研究では,人間の認知過程に対する動的環境刺激の微粒化効果をシミュレートするために,ドリフト拡散と深部強化学習を統合したCogReactを提案する。 認知過程に対する環境刺激の時間的効果を考慮し、認知モデルを改善し、主観的・刺激特異的な行動差を捉える。 全体として、動的コンテキストにおける人間の認知応答の相違をシミュレートし、一致させ、理解するための、強力でデータ駆動の方法論を示します。
  論文  参考訳（メタデータ） (2023-01-15T23:46:37Z)
• Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory to Learning Algorithms [91.3755431537592]
  プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。 この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
  論文  参考訳（メタデータ） (2021-01-26T17:11:40Z)

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。