論文の概要: Empowerment Gain and Causal Model Construction: Children and adults are sensitive to controllability and variability in their causal interventions

• arxiv url: http://arxiv.org/abs/2512.08230v1
• Date: Tue, 09 Dec 2025 04:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.808203
• Title: Empowerment Gain and Causal Model Construction: Children and adults are sensitive to controllability and variability in their causal interventions
• Title（参考訳）: エンパワーメント・ゲインと因果モデル構築 : 子どもと大人は因果介入における制御性と可変性に敏感である
• Authors: Eunice Yiu, Kelsey Allen, Shiry Ginosar, Alison Gopnik,
• Abstract要約: エンパワーメント」は古典的バイエルン因果学習と強化学習の間に重要な橋渡しとなる。 また,「エンパワーメント」は,子どもの因果学習の特徴を説明できるだけでなく,その学習がいかに可能かの計算的な説明もできる。
• 参考スコア（独自算出の注目度）: 5.083013521164092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning about the causal structure of the world is a fundamental problem for human cognition. Causal models and especially causal learning have proved to be difficult for large pretrained models using standard techniques of deep learning. In contrast, cognitive scientists have applied advances in our formal understanding of causation in computer science, particularly within the Causal Bayes Net formalism, to understand human causal learning. In the very different tradition of reinforcement learning, researchers have described an intrinsic reward signal called "empowerment" which maximizes mutual information between actions and their outcomes. "Empowerment" may be an important bridge between classical Bayesian causal learning and reinforcement learning and may help to characterize causal learning in humans and enable it in machines. If an agent learns an accurate causal world model, they will necessarily increase their empowerment, and increasing empowerment will lead to a more accurate causal world model. Empowerment may also explain distinctive features of childrens causal learning, as well as providing a more tractable computational account of how that learning is possible. In an empirical study, we systematically test how children and adults use cues to empowerment to infer causal relations, and design effective causal interventions.
• Abstract（参考訳）: 世界の因果構造について学ぶことは、人間の認知にとって根本的な問題である。 因果的モデル、特に因果的学習は、ディープラーニングの標準技術を用いた大規模事前学習モデルでは困難であることが証明されている。 対照的に、認知科学者はコンピュータ科学における因果関係のフォーマルな理解、特にコーサルベイズネットのフォーマリズムにおいて、人間の因果学習を理解するために進歩した。 強化学習の非常に異なる伝統の中で、研究者は「エンパワーメント」と呼ばれる本質的な報酬信号について記述し、行動と結果の相互情報を最大化する。 エンパワーメント」は、古典的バイエルン因果学習と強化学習の間の重要な橋渡しであり、人間の因果学習を特徴づけ、機械でそれを可能にするのに役立つ。 エージェントが正確な因果世界モデルを学ぶと、そのエンパワーメントは必然的に増加し、エンパワーメントの増加はより正確な因果世界モデルにつながる。 エンパワーメントはまた、子どもの因果学習の特徴を説明できるだけでなく、その学習がいかに可能かの計算可能な説明を提供する。 本研究では, 子どもと成人の因果関係を推定し, 効果的な因果関係の介入を設計するための手がかりを体系的に検証する。

関連論文リスト

• Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
  世界の知識と論理的推論の相互作用について検討する。 最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。 タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
  論文  参考訳（メタデータ） (2024-10-31T12:48:58Z)
• Why Online Reinforcement Learning is Causal [31.59766909722592]
  強化学習(RL)と因果モデリングは自然に相互に補完する。 本稿では、因果モデリングのメリットを期待できる強化学習設定について検討する。
  論文  参考訳（メタデータ） (2024-03-07T04:49:48Z)
• Causal reasoning in typical computer vision tasks [11.95181390654463]
  因果理論は、データバイアスの影響を受けない本質的な因果構造をモデル化し、突発的な相関を避けるのに有効である。 本稿では,一般的な視覚・視覚言語タスクにおける既存の因果的手法(セグメンテーション,オブジェクト検出,画像キャプションなど)を包括的にレビューすることを目的とする。 今後のロードマップも提案され、因果論の開発と他の複雑なシーンやシステムへの応用が促進される。
  論文  参考訳（メタデータ） (2023-07-26T07:01:57Z)
• Causal Reinforcement Learning: A Survey [57.368108154871]
  強化学習は、不確実性の下でのシーケンシャルな決定問題の解決に不可欠なパラダイムである。 主な障害の1つは、強化学習エージェントが世界に対する根本的な理解を欠いていることである。 因果性は、体系的な方法で知識を形式化できるという点で顕著な利点がある。
  論文  参考訳（メタデータ） (2023-07-04T03:00:43Z)
• Causal Deep Learning [77.49632479298745]
  因果性は、現実世界の問題を解決する方法を変える可能性がある。 しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。 我々は、因果性に関する新しい考え方を提案します。
  論文  参考訳（メタデータ） (2023-03-03T19:19:18Z)
• Deep Causal Learning: Representation, Discovery and Inference [2.696435860368848]
  因果学習は、現象の基盤となり、世界が進化するメカニズムを規定する本質的な関係を明らかにする。 従来の因果学習手法は、高次元変数、非構造変数、最適化問題、未観測の共同設立者、選択バイアス、推定不正確さなど、多くの課題や制限に直面している。 ディープ・因果学習はディープ・ニューラルネットワークを活用し、これらの課題に対処するための革新的な洞察と解決策を提供する。
  論文  参考訳（メタデータ） (2022-11-07T09:00:33Z)
• Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
  AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。 因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。 本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
  論文  参考訳（メタデータ） (2021-07-02T05:44:56Z)
• Causality in Neural Networks -- An Extended Abstract [0.0]
  因果推論は、人間が使用する主要な学習および説明ツールである。 因果性の概念を機械学習に導入することは、より良い学習と説明可能なモデルを提供するのに役立つ。
  論文  参考訳（メタデータ） (2021-06-03T09:52:36Z)

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。