論文の概要: Philosophy-informed Machine Learning

• arxiv url: http://arxiv.org/abs/2509.20370v1
• Date: Thu, 18 Sep 2025 21:51:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.47068
• Title: Philosophy-informed Machine Learning
• Title（参考訳）: 哲学インフォームド・機械学習
• Authors: MZ Naser,
• Abstract要約: 哲学インフォームド機械学習(PhIML)は、分析哲学からMLモデルアーキテクチャ、目的、評価プロトコルへのコアアイデアを注入する。 本稿では,哲学的ゲインとアライメントを示す概念的基礎を概観する。
• 参考スコア（独自算出の注目度）: 1.0829694003408499
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Philosophy-informed machine learning (PhIML) directly infuses core ideas from analytic philosophy into ML model architectures, objectives, and evaluation protocols. Therefore, PhIML promises new capabilities through models that respect philosophical concepts and values by design. From this lens, this paper reviews conceptual foundations to demonstrate philosophical gains and alignment. In addition, we present case studies on how ML users/designers can adopt PhIML as an agnostic post-hoc tool or intrinsically build it into ML model architectures. Finally, this paper sheds light on open technical barriers alongside philosophical, practical, and governance challenges and outlines a research roadmap toward safe, philosophy-aware, and ethically responsible PhIML.
• Abstract（参考訳）: 哲学インフォームド機械学習(PhIML)は、分析哲学からMLモデルアーキテクチャ、目的、評価プロトコルへのコアアイデアを直接注入する。 したがって、PhIMLは、哲学的な概念と価値をデザインによって尊重するモデルを通じて、新しい機能を約束する。 本稿では,概念的基礎を概観し,哲学的利得とアライメントを実証する。 さらに,機械学習のユーザ/デザイナがPhIMLを非依存のポストホックツールとして採用するか,あるいは本質的にMLモデルアーキテクチャに組み込むことができるか,というケーススタディを提案する。 最後に,哲学的,実践的,ガバナンス的な課題と並行して,オープンな技術的障壁に光を当て,安全,哲学的,倫理的に責任を負うPhIMLに向けた研究ロードマップを概説する。

関連論文リスト

• Are Language Models Consequentialist or Deontological Moral Reasoners? [69.85385952436044]
  我々は、大規模言語モデル(LLM)が提供する道徳的推論トレースの大規模分析に焦点をあてる。 我々は,2つの主要な規範的倫理理論,つまり連続主義と非オントロジーを体系的に分類するために,道徳的論理学の分類を導入し,検証する。
  論文  参考訳（メタデータ） (2025-05-27T17:51:18Z)
• MAPS: Advancing Multi-Modal Reasoning in Expert-Level Physical Science [62.96434290874878]
  現在のMLLM(Multi-Modal Large Language Models)は、一般的な視覚的推論タスクにおいて強力な機能を示している。 我々は,MLLMに基づく物理知覚とシミュレーションによるマルチモーダル科学推論(MAPS)という新しいフレームワークを開発した。 MAPSは、専門家レベルのマルチモーダル推論タスクを物理的知覚モデル(PPM)を介して物理図理解に分解し、シミュレータを介して物理的知識で推論する。
  論文  参考訳（メタデータ） (2025-01-18T13:54:00Z)
• A Look into How Machine Learning is Reshaping Engineering Models: the Rise of Analysis Paralysis, Optimal yet Infeasible Solutions, and the Inevitable Rashomon Paradox [3.8314877221880512]
  土木工学において経験的に派生したサンダル条項や方程式が広く受け入れられていることは、機械学習(ML)モデルに直面する懐疑主義とは対照的である。 本稿では、構造工学のレンズを通してこの哲学的緊張を考察し、MLの統合が従来の工学哲学や専門的アイデンティティにどのように挑戦するかを考察する。
  論文  参考訳（メタデータ） (2025-01-09T00:35:48Z)
• Identifying architectural design decisions for achieving green ML serving [10.556809708326915]
  MLアーキテクチャ設計決定の文献とGreen AIについて、特にML提供に焦点を当てて検討する。 この結果から,MLはアーキテクチャ設計決定に対応するコンポーネントや関連技術スタックと合わせて機能することを確認した。 私たちの分析は、MLの研究者や実践者がモデルを提供する際に、グリーンアウェアなアーキテクチャ設計決定を下すのに役立つかもしれません。
  論文  参考訳（メタデータ） (2024-02-12T11:35:04Z)
• Towards Concept-Aware Large Language Models [56.48016300758356]
  概念は、学習、推論、コミュニケーションなど、様々な人間の認知機能において重要な役割を果たす。 概念を形作り、推論する能力を持つ機械を授けることは、ほとんどない。 本研究では,現代における大規模言語モデル(LLM)が,人間の概念とその構造をどのように捉えているかを分析する。
  論文  参考訳（メタデータ） (2023-11-03T12:19:22Z)
• Ontology for Conceptual Modeling: Reality of What Thinging Machines Talk About, e.g., Information [0.0]
  本稿では,概念モデリングの基礎に基づく図式開発のための学際的な研究手法を開発する。 オントロジーのオフショア調達を哲学から逃れ、CMに移植する試みである。 結果は、情報を定義し、その性質を理解するための有望なアプローチを示すように思われる。
  論文  参考訳（メタデータ） (2023-08-16T03:21:27Z)
• Enhancing Architecture Frameworks by Including Modern Stakeholders and their Views/Viewpoints [48.87872564630711]
  データサイエンスと機械学習に関連する関心事、例えばデータサイエンティストやデータエンジニアの利害関係者は、まだ既存のアーキテクチャフレームワークには含まれていない。 10か国25以上の組織から61名の被験者を対象に調査を行った。
  論文  参考訳（メタデータ） (2023-08-09T21:54:34Z)
• Scientific Inference With Interpretable Machine Learning: Analyzing Models to Learn About Real-World Phenomena [4.312340306206884]
  解釈可能な機械学習は、モデルを論理的に分析して解釈を導出することで解を提供する。 現在のIML研究は、科学的推論にMLモデルを活用するのではなく、MLモデルの監査に重点を置いている。 本稿では、モデルだけでなく、その表現する現象を照らし出すIMLメソッドを定式化した「プロパティ記述子」を設計するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-11T10:13:21Z)
• Learning by Design: Structuring and Documenting the Human Choices in Machine Learning Development [6.903929927172917]
  本稿では,機械学習モデル作成における熟考と規範的選択を概説する8つの設計質問からなる手法を提案する。 本手法は,方法論的透明性を通じた批判的評価を支援するなど,いくつかの利点がある。 本手法は,MLモデルの開発において,ML実践者が選択や仮定を構造化し,正当化する上で有効であると考えている。
  論文  参考訳（メタデータ） (2021-05-03T08:47:45Z)

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。