論文の概要: Online library learning in human visual puzzle solving

• arxiv url: http://arxiv.org/abs/2603.23244v1
• Date: Tue, 24 Mar 2026 14:12:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.52398
• Title: Online library learning in human visual puzzle solving
• Title（参考訳）: 人間の視覚パズル解法におけるオンライン図書館学習
• Authors: Pinzhe Zhao, Emanuele Sansone, Marta Kryven, Bonan Zhao,
• Abstract要約: 人々はしばしば、未来に対する不確実性にもかかわらず、将来の作業を簡単にする効率的な再利用可能な抽象化を形成します。 参加者がヘルパーを定義して再利用する視覚パズルタスクにおいて,このプロセスを研究する。 オンラインライブラリ学習は、人間の問題解決における中核的なメカニズムであり、タスク要求が大きくなるにつれて、人々が柔軟に抽象化を構築し、洗練し、再利用することができる。
• 参考スコア（独自算出の注目度）: 4.633616287561709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When learning a novel complex task, people often form efficient reusable abstractions that simplify future work, despite uncertainty about the future. We study this process in a visual puzzle task where participants define and reuse helpers -- intermediate constructions that capture repeating structure. In an online experiment, participants solved puzzles of increasing difficulty. Early on, they created many helpers, favouring completeness over efficiency. With experience, helper use became more selective and efficient, reflecting sensitivity to reuse and cost. Access to helpers enabled participants to solve puzzles that were otherwise difficult or impossible. Computational modelling shows that human decision times and number of operations used to complete a puzzle increase with search space estimated by a program induction model with library learning. In contrast, raw program length predicts failure but not effort. Together, these results point to online library learning as a core mechanism in human problem solving, allowing people to flexibly build, refine, and reuse abstractions as task demands grow.
• Abstract（参考訳）: 新たな複雑なタスクを学ぶとき、人々はしばしば、未来に対する不確実性にもかかわらず、将来の作業を簡単にする効率的な再利用可能な抽象化を形成します。 このプロセスは、参加者が繰り返し構造をキャプチャする中間構造であるヘルパーを定義し再利用する視覚パズルタスクで研究される。 オンライン実験では、参加者は困難を増すパズルを解いた。 初期の彼らは多くのヘルパーを作り、効率よりも完全性を好むようになった。 経験から、ヘルパーの使用はより選択的で効率的になり、再利用とコストに対する感受性が反映された。 ヘルパーへのアクセスによって参加者は、そうでなければ難しい、あるいは不可能なパズルを解けるようになった。 計算モデルでは,プログラム帰納モデルと図書館学習によって推定される探索空間によって,人間の決定時間とパズルの完了に使用される操作数の増加が示されている。 対照的に、生プログラムの長さは失敗を予測するが、努力はしない。 これらの結果は、オンライン図書館学習が人間の問題解決における中核的なメカニズムであることを示している。

関連論文リスト

• RLAD: Training LLMs to Discover Abstractions for Solving Reasoning Problems [98.98963933669751]
  問題が発生したら、複数の抽象化を提案できるモデルをトレーニングし、続いてソリューション構築のインセンティブを与えるRLを作ります。 この結果、RLトレーニングパラダイムはRLADと呼ばれ、抽象化ジェネレータとソリューションジェネレータを共同で訓練する。 我々は、大規模なテスト予算で多くのソリューションを生成するよりも、より多くのテスト時間計算を抽象化の生成に割り当てることが、パフォーマンスに有益であることを示しています。
  論文  参考訳（メタデータ） (2025-10-02T17:44:23Z)
• Learning to solve arithmetic problems with a virtual abacus [0.35911228556176483]
  本稿では,認知エージェントが算術的問題を解くための学習方法をシミュレートする,深層強化学習フレームワークを提案する。 提案モデルでは,複数桁の加算と減算をうまく学習し,誤差率を1%以下に抑えることができた。 最も一般的なエラーパターンを分析して、設計選択による制限とバイアスをよりよく理解します。
  論文  参考訳（メタデータ） (2023-01-17T13:25:52Z)
• Divide & Conquer Imitation Learning [75.31752559017978]
  模倣学習は学習プロセスをブートストラップするための強力なアプローチである。 本稿では,専門的軌道の状態から複雑なロボットタスクを模倣する新しいアルゴリズムを提案する。 提案手法は,非ホロノミックナビゲーションタスクを模倣し,非常に高いサンプル効率で複雑なロボット操作タスクにスケールすることを示す。
  論文  参考訳（メタデータ） (2022-04-15T09:56:50Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• Reset-Free Reinforcement Learning via Multi-Task Learning: Learning Dexterous Manipulation Behaviors without Human Intervention [67.1936055742498]
  マルチタスク学習は、リセットフリーの学習スキームをはるかに複雑な問題に効果的にスケールできることを示す。 この研究は、人間の介入なしにRLを用いて現実世界での巧妙な操作行動を学ぶ能力を示す。
  論文  参考訳（メタデータ） (2021-04-22T17:38:27Z)
• Avalanche: an End-to-End Library for Continual Learning [81.84325803942811]
  PyTorchをベースとした継続的学習研究のためのオープンソースライブラリであるAvalancheを提案する。 avalancheは、継続的学習アルゴリズムの高速プロトタイピング、トレーニング、再現可能な評価のための共有とコラボレーションを提供するように設計されている。
  論文  参考訳（メタデータ） (2021-04-01T11:31:46Z)

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。