論文の概要: "Just in Time" World Modeling Supports Human Planning and Reasoning
- arxiv url: http://arxiv.org/abs/2601.14514v1
- Date: Tue, 20 Jan 2026 22:08:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-22 21:27:50.167607
- Title: "Just in Time" World Modeling Supports Human Planning and Reasoning
- Title（参考訳）: ジャスト・イン・タイム」世界モデリングは人間の計画と推論を支援する
- Authors: Tony Chen, Sam Cheyette, Kelsey Allen, Joshua Tenenbaum, Kevin Smith,
- Abstract要約: シミュレーションに基づく推論のための「ジャスト・イン・タイム」フレームワークを提案する。
このような表現を最小限の計算量でオンラインで構築する方法を示す。
グリッドワールド計画タスクと物理推論タスクの代替モデルに対して、この説明に対する強い実証的な支持が得られます。
- 参考スコア（独自算出の注目度）: 1.526051753924211
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probabilistic mental simulation is thought to play a key role in human reasoning, planning, and prediction, yet the demands of simulation in complex environments exceed realistic human capacity limits. A theory with growing evidence is that people simulate using simplified representations of the environment that abstract away from irrelevant details, but it is unclear how people determine these simplifications efficiently. Here, we present a "Just-in-Time" framework for simulation-based reasoning that demonstrates how such representations can be constructed online with minimal added computation. The model uses a tight interleaving of simulation, visual search, and representation modification, with the current simulation guiding where to look and visual search flagging objects that should be encoded for subsequent simulation. Despite only ever encoding a small subset of objects, the model makes high-utility predictions. We find strong empirical support for this account over alternative models in a grid-world planning task and a physical reasoning task across a range of behavioral measures. Together, these results offer a concrete algorithmic account of how people construct reduced representations to support efficient mental simulation.
- Abstract（参考訳）: 確率論的精神シミュレーションは、人間の推論、計画、予測において重要な役割を果たすと考えられているが、複雑な環境におけるシミュレーションの要求は、現実的な人間の能力限界を超えている。
証拠の増大を伴う理論は、無関係な詳細から抽象化された環境の簡易表現をシミュレートするものであるが、これらの単純化をいかに効率的に決定するかは定かではない。
本稿では,シミュレーションに基づく推論のための"Just-in-Time"フレームワークを提案する。
このモデルは、シミュレーション、ビジュアルサーチ、表現修正の密接なインターリーブを使用し、現在のシミュレーションは、その後のシミュレーションのためにエンコードされるべき検索フラグ付けオブジェクトの検索と視覚的フラグ付けの場所を導く。
オブジェクトの小さなサブセットのみを符号化したにもかかわらず、このモデルは高ユーティリティな予測を行う。
グリッド・ワールド・プランニング・タスクにおける代替モデルに対するこの説明に対する強い実証的支持と,行動的措置の多岐にわたる物理的推論・タスクを見いだす。
これらの結果は、効率的なメンタルシュミレーションをサポートするために、減らされた表現をどのように構築するかという具体的なアルゴリズムによる説明を提供する。
関連論文リスト
- SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。
現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。
シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
論文 参考訳（メタデータ） (2025-10-20T13:14:38Z) - A simulation-heuristics dual-process model for intuitive physics [28.707537312978502]
注ぐ角度の予測には,シミュレーション時間によって異なる2つの誤差パターンが認められた。
本稿では,シミュレーションのコストがかかるとシミュレーションに切り替えるシミュレーション・ヒューリスティックス・モデル (SHM) を提案する。
SHMは人間の行動とより正確に一致し、様々なシナリオにまたがる一貫した予測性能を示し、直感的な物理的推論の適応性に対する理解を深める。
論文 参考訳（メタデータ） (2025-04-13T12:34:02Z) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - A Unified Simulation Framework for Visual and Behavioral Fidelity in
Crowd Analysis [6.460475042590685]
We present a human crowd simulator, called UniCrowd, and its associated validation pipeline。
本稿では,コンピュータビジョンタスク,特に検出とセグメンテーションに適したアノテートデータを生成する方法と,クラウドカウント,人間のポーズ推定,軌道解析と予測,異常検出などの関連アプリケーションについて述べる。
論文 参考訳（メタデータ） (2023-12-05T09:43:27Z) - Informal Safety Guarantees for Simulated Optimizers Through
Extrapolation from Partial Simulations [0.0]
自己教師付き学習は、最先端の言語モデリングのバックボーンである。
自己教師付きデータセットにおける予測損失を伴うトレーニングはシミュレータを引き起こすと論じられている。
論文 参考訳（メタデータ） (2023-11-29T09:32:56Z) - CausalCity: Complex Simulations with Agency for Causal Discovery and
Reasoning [68.74447489372037]
本稿では,因果探索と反事実推論のためのアルゴリズムの開発を目的とした,高忠実度シミュレーション環境を提案する。
私たちの作業の中核となるコンポーネントは、複雑なシナリオを定義して作成することが簡単になるような、テキストの緊急性を導入することです。
我々は3つの最先端の手法による実験を行い、ベースラインを作成し、この環境の可利用性を強調する。
論文 参考訳（メタデータ） (2021-06-25T00:21:41Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z)
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。