論文の概要: Speculating for Epiplexity: How to Learn the Most from Speculative Design?

• arxiv url: http://arxiv.org/abs/2602.22132v1
• Date: Wed, 25 Feb 2026 17:26:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.929445
• Title: Speculating for Epiplexity: How to Learn the Most from Speculative Design?
• Title（参考訳）: エピプレキティの推論: 投機的設計から最も多くを学ぶには
• Authors: Botao Amber Hu,
• Abstract要約: 投機的デザインは、社会技術的未来を探求するために挑発的な「もし」シナリオを用いるが、推測の質を評価するための厳密な基準は欠いている。 本稿では,情報理論レンズを用いて投機設計を資源境界の知識生成プロセスとして再検討することで,このギャップに対処する。 筆者らは,自己評価質問紙を用いた実践的な監査枠組みを導入し,仮説が豊かで複雑な洞察を得られるか,表面レベルに留まるかを設計者が評価できるようにした。
• 参考スコア（独自算出の注目度）: 1.8613536568358358
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Speculative design uses provocative "what if?" scenarios to explore possible sociotechnical futures, yet lacks rigorous criteria for assessing the quality of speculation. We address this gap by reframing speculative design through an information-theoretic lens as a resource-bounded knowledge generation process that uses provotypes to strategically embrace surprise. However, not all surprises are equally informative-some yield genuine insight while others remain aesthetic shock. Drawing on epiplexity-structured, learnable information extractable by bounded observers-we propose decomposing the knowledge generated by speculative artifacts into structured epistemic information (transferable implications about futures) and entropic noise (narrative, aesthetics, and surface-level surprise). We conclude by introducing a practical audit framework with a self-assessment questionnaire that enables designers to evaluate whether their speculations yield rich, high-epiplexity insights or remain at a superficial level. We discuss implications for peer review, design pedagogy, and policy-oriented futuring.
• Abstract（参考訳）: 投機的デザインは、社会技術的未来を探求するために挑発的な「もし」シナリオを用いるが、推測の質を評価するための厳密な基準は欠いている。 このギャップに対処するため,情報理論レンズによる投機的設計を,プロボタイプを用いてサプライズを戦略的に受け入れるリソースバウンドな知識生成プロセスとして再検討する。 しかし、すべてのサプライズが同等に情報的であり、真の洞察を得るものもあれば、美的ショックを保っているものもある。 境界観測者によって抽出可能なエピプレキティ構造化された学習可能な情報に基づいて、投機的人工物が生み出す知識を構造化されたてんかん情報(未来に関する伝達可能な意味)とエントロピーノイズ(物語的、美学、表面レベルの驚き)に分解することを提案する。 筆者らは,自己評価質問紙を用いた実践的な監査枠組みを導入し,仮説が豊かで複雑な洞察を得られるか,表面レベルに留まるかを設計者が評価できるようにした。 本稿では、ピアレビュー、デザインペタギー、ポリシー指向のファタチャリングについて論じる。

関連論文リスト

• On the Fundamental Impossibility of Hallucination Control in Large Language Models [0.0]
  不合理性理論:非自明な知識集約を行うLLMは、真理的な知識表現、意味情報保存、関連する知識の啓示を同時に達成できない。 提案手法は,アイデアのオークションとして推論をモデル化し,分散コンポーネントが符号化された知識を用いて応答に影響を与えることを証明している。 幻覚と想像力は数学的に同一であり、どちらも4つの重要な性質のうちの少なくとも1つに反する。
  論文  参考訳（メタデータ） (2025-06-04T23:28:39Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Unveiling the Potential of Probabilistic Embeddings in Self-Supervised Learning [4.124934010794795]
  自己教師付き学習は、ラベルのないデータから意味のある表現をモデルが取得できるようにすることで、機械学習を前進させる上で重要な役割を担っている。 本稿では,情報ボトルネックに対する確率的モデリングの影響について検討し,情報圧縮と情報保存のトレードオフについて述べる。 以上の結果から,損失空間に新たなボトルネックを導入することにより,アウト・オブ・ディストリビューションの事例を検出する能力が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2023-10-27T12:01:16Z)
• What Do Deep Saliency Models Learn about Visual Attention? [28.023464783469738]
  本稿では,サリエンシモデルによって学習された暗黙的特徴に光を当てる新しい分析フレームワークを提案する。 提案手法では,これらの暗黙的特徴を意味的属性に明示的に一致した解釈可能なベースに分解する。
  論文  参考訳（メタデータ） (2023-10-14T23:15:57Z)
• Knowledge-Aware Prompt Tuning for Generalizable Vision-Language Models [64.24227572048075]
  本稿では,視覚言語モデルのためのKnowledge-Aware Prompt Tuning(KAPT)フレームワークを提案する。 我々のアプローチは、人間の知性からインスピレーションを得ており、外部知識は、通常、オブジェクトの新たなカテゴリを認識するために組み込まれています。
  論文  参考訳（メタデータ） (2023-08-22T04:24:45Z)
• Evaluation Metrics for Symbolic Knowledge Extracted from Machine Learning Black Boxes: A Discussion Paper [0.0]
  抽出した知識の可読性のレベルを定量的に評価する方法はまだ未解決の問題である。 そのような計量を見つけることが、例えば、異なる知識表現の集合間の自動比較を可能にする鍵となる。
  論文  参考訳（メタデータ） (2022-11-01T03:04:25Z)
• Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution [97.50813120600026]
  時空間推論は人工知能(AI)の課題である 最近の研究は、この種の抽象的推論タスクに焦点を当てている -- Raven's Progressive Matrices (RPM) ニューロシンボリックな確率的アブダクションと実行学習者(PrAE)を提案する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:18Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

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。