論文の概要: Dialectics for Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2512.17373v2
• Date: Tue, 23 Dec 2025 08:23:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 13:10:52.73352
• Title: Dialectics for Artificial Intelligence
• Title（参考訳）: 人工知能のための辞書
• Authors: Zhengmian Hu,
• Abstract要約: 人工知能は生の経験から、人間の監督なしに、人間が発見した概念を発見できるのか? ひとつの課題は、調査が進むにつれて、概念境界がシフトし、分割し、統合できることです。 本稿では,エージェントの全体体験と構造的関係からのみ定義された情報オブジェクトとして概念を扱うアルゴリズム情報視点を提案する。
• 参考スコア（独自算出の注目度）: 24.816514958011442
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Can artificial intelligence discover, from raw experience and without human supervision, concepts that humans have discovered? One challenge is that human concepts themselves are fluid: conceptual boundaries can shift, split, and merge as inquiry progresses (e.g., Pluto is no longer considered a planet). To make progress, we need a definition of "concept" that is not merely a dictionary label, but a structure that can be revised, compared, and aligned across agents. We propose an algorithmic-information viewpoint that treats a concept as an information object defined only through its structural relation to an agent's total experience. The core constraint is determination: a set of parts forms a reversible consistency relation if any missing part is recoverable from the others (up to the standard logarithmic slack in Kolmogorov-style identities). This reversibility prevents "concepts" from floating free of experience and turns concept existence into a checkable structural claim. To judge whether a decomposition is natural, we define excess information, measuring the redundancy overhead introduced by splitting experience into multiple separately described parts. On top of these definitions, we formulate dialectics as an optimization dynamics: as new patches of information appear (or become contested), competing concepts bid to explain them via shorter conditional descriptions, driving systematic expansion, contraction, splitting, and merging. Finally, we formalize low-cost concept transmission and multi-agent alignment using small grounds/seeds that allow another agent to reconstruct the same concept under a shared protocol, making communication a concrete compute-bits trade-off.
• Abstract（参考訳）: 人工知能は生の経験から、人間の監督なしに、人間が発見した概念を発見できるのか? 概念境界は、調査が進むにつれて変化し、分裂し、融合する(例えば冥王星はもはや惑星とはみなされない)。 前進させるためには、単に辞書ラベルではなく、エージェント間で修正、比較、調整できる構造である「概念」の定義が必要です。 本稿では,エージェントの全体体験と構造的関係からのみ定義された情報オブジェクトとして概念を扱うアルゴリズム情報視点を提案する。 中心的な制約は決定である: ある部分の集合が他の部分から可逆整合関係(コルモゴロフ様式の標準対数スラックまで)を形成できるならば、その部分の集合は可逆整合関係を形成する。 この可逆性は「概念」が経験から解放されることを防ぎ、概念の存在をチェック可能な構造的主張に変換する。 分解が自然かどうかを判断するために、経験を複数の別個の部品に分割することで生じる冗長性オーバーヘッドを計測し、余剰情報を定義する。 情報の新しいパッチが現れる(あるいは競合する)と、競合する概念はそれらを短い条件記述によって説明し、体系的な拡張、縮退、分割、マージする。 最後に,異なるエージェントが共有プロトコルで同じ概念を再構築し,具体的な計算ビットのトレードオフを実現するために,低コストなコンセプトトランスミッションとマルチエージェントアライメントを小型の接地/種子を用いて形式化する。

関連論文リスト

• Interpretation as Linear Transformation: A Cognitive-Geometric Model of Belief and Meaning [0.0]
  純粋に代数的な制約から,信念の歪曲,モチベーションの漂流,反実的評価,相互理解の限界が生じることを示す。 この認知幾何学的視点は、人間と人工両方のシステムにおける影響の境界を明確にしていると私は主張する。
  論文  参考訳（メタデータ） (2025-12-10T17:13:01Z)
• A Geometric Unification of Concept Learning with Concept Cones [58.70836885177496]
  解釈可能性の2つの伝統は、並べて進化してきたが、互いに話すことはめったにない:概念ボトルネックモデル(CBM)とスパースオートエンコーダ(SAE)。 両パラダイムが同じ幾何学的構造をインスタンス化することを示す。 CBMは人間の定義した参照ジオメトリを提供するが、SAEは学習した円錐がCBMをどの程度よく近似するか、あるいは包含しているかによって評価することができる。
  論文  参考訳（メタデータ） (2025-12-08T09:51:46Z)
• ClassDiffusion: More Aligned Personalization Tuning with Explicit Class Guidance [90.57708419344007]
  新しい概念を学ぶ際に, 概念空間を明示的に規制するために, ** 連続保存損失** を利用するテクニックである **ClassDiffusion** を提示する。 このアプローチは単純ではあるが、ターゲット概念の微調整過程における意味的ドリフトを効果的に防止する。
  論文  参考訳（メタデータ） (2024-05-27T17:50:10Z)
• A Geometric Notion of Causal Probing [85.49839090913515]
  線形部分空間仮説は、言語モデルの表現空間において、動詞数のような概念に関するすべての情報が線形部分空間に符号化されていることを述べる。 理想線型概念部分空間を特徴づける内在的基準のセットを与える。 2つの言語モデルにまたがる少なくとも1つの概念に対して、この概念のサブスペースは、生成された単語の概念値を精度良く操作することができる。
  論文  参考訳（メタデータ） (2023-07-27T17:57:57Z)
• When are Post-hoc Conceptual Explanations Identifiable? [18.85180188353977]
  人間の概念ラベルが利用できない場合、概念発見手法は解釈可能な概念のための訓練された埋め込み空間を探索する。 我々は、概念発見は特定可能であり、多くの既知の概念を確実に回収し、説明の信頼性を保証するべきであると論じている。 本結果は,人間ラベルのない信頼性の高い概念発見を保証できる厳密な条件を強調した。
  論文  参考訳（メタデータ） (2022-06-28T10:21:17Z)
• Automatic Concept Extraction for Concept Bottleneck-based Video Classification [58.11884357803544]
  本稿では,概念に基づくビデオ分類に必要かつ十分な概念抽象セットを厳格に構成する概念発見抽出モジュールを提案する。 提案手法は,自然言語における概念概念の抽象概念を応用し,複雑なタスクに概念ボトルネック法を一般化する。
  論文  参考訳（メタデータ） (2022-06-21T06:22:35Z)

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。