Fugu-MT 論文翻訳(概要): A Model of Understanding in Deep Learning Systems

論文の概要: A Model of Understanding in Deep Learning Systems

arxiv url: http://arxiv.org/abs/2604.04171v1
Date: Sun, 05 Apr 2026 16:27:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:18.957859
Title: A Model of Understanding in Deep Learning Systems
Title（参考訳）: ディープラーニングシステムにおける理解モデル
Authors: David Peter Wallis Freeborn,
Abstract要約: 本稿では,機械学習システムに適した体系的理解モデルを提案する。エージェントは、実際の規則性を追跡し、安定した橋梁原理によって目標に結合され、信頼性の高い予測をサポートする適切な内部モデルを含む場合、ターゲットシステムの特性を理解する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: I propose a model of systematic understanding, suitable for machine learning systems. On this account, an agent understands a property of a target system when it contains an adequate internal model that tracks real regularities, is coupled to the target by stable bridge principles, and supports reliable prediction. I argue that contemporary deep learning systems often can and do achieve such understanding. However they generally fall short of the ideal of scientific understanding: the understanding is symbolically misaligned with the target system, not explicitly reductive, and only weakly unifying. I label this the Fractured Understanding Hypothesis.
Abstract（参考訳）: 本稿では,機械学習システムに適した体系的理解モデルを提案する。この観点から、エージェントは、実際の規則性を追跡する適切な内部モデルを含み、安定した橋梁原理によってターゲットに結合され、信頼性のある予測をサポートする場合、ターゲットシステムの特性を理解する。現代のディープラーニングシステムはしばしば、そのような理解を達成できる、と私は主張する。しかし、それらは一般的に科学的理解の理想を欠いている: 理解は象徴的に対象のシステムと一致せず、明示的に還元的ではなく、弱く統一されているだけである。私はこれをフラクチャード理解仮説とラベル付けします。

関連論文リスト

Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science [79.50667364149979]
自律学習における現在のAIモデルの限界を批判的に検討し、人間と動物の認知に触発された学習アーキテクチャを提案する。提案フレームワークは、内部的に生成されたメタ制御信号(システムM)の関数として、観察(システムA)からの学習と活動行動(システムB)からの学習を統合し、これらの学習モードを柔軟に切り替える。
論文参考訳（メタデータ） (2026-03-16T14:54:56Z)
A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
論文参考訳（メタデータ） (2026-03-11T07:40:53Z)
Newton to Einstein: Axiom-Based Discovery via Game Design [55.30047000068118]
本稿では,ルール進化システムとして科学調査を再放送するゲームデザインフレームワークを提案する。固定された仮定内で動作する従来のMLアプローチとは異なり、本手法は新たな理論構造の発見を可能にする。
論文参考訳（メタデータ） (2025-09-05T18:59:18Z)
Beyond Statistical Learning: Exact Learning Is Essential for General Intelligence [59.07578850674114]
音の誘惑的推論は、一般知能の必然的に望ましい側面である。もっとも先進的なフロンティアシステムでさえ、定期的かつ一貫して容易に解決可能な推論タスクに干渉していることは、よく文書化されている。彼らの不健全な振る舞いは、彼らの発展を支えている統計的学習のアプローチの結果である、と我々は主張する。
論文参考訳（メタデータ） (2025-06-30T14:37:50Z)
Is the end of Insight in Sight ? [0.0]
ボルツマン方程式が支配する希薄気体力学問題に関する物理インフォームドニューラルネットワーク(PINN) システムの明確な構造とよく理解された統治法にもかかわらず、訓練されたネットワークの重みはガウス分布のランダム行列に似ている。このことは、ディープラーニングと従来のシミュレーションは、同じ結果に異なる認知経路を辿る可能性があることを示唆している。
論文参考訳（メタデータ） (2025-05-07T19:57:36Z)
Reasoning Circuits in Language Models: A Mechanistic Interpretation of Syllogistic Inference [13.59675117792588]
言語モデル(LM)に関する最近の研究は、体系的な推論原理を学べるかという議論を巻き起こしている。本稿では,シロメトリクス推論の機械論的解釈について述べる。
論文参考訳（メタデータ） (2024-08-16T07:47:39Z)
What's in an embedding? Would a rose by any embedding smell as sweet? [0.0]
大規模言語モデル(LLM)は、真の「理解」と知識を「理解」する能力に欠けるとしてしばしば批判される。我々は, LLM が「幾何学的」な経験的「下地」を発達させ, NLP の様々な応用に適していると考えられることを示唆する。これらの制限を克服するために、LLMはシンボリックAI要素を含む知識の「代数的」表現と統合されるべきである。
論文参考訳（メタデータ） (2024-06-11T01:10:40Z)
Understanding understanding: a renormalization group inspired model of (artificial) intelligence [0.0]
本稿では,科学的および人工知能システムにおける理解の意味について述べる。理解の数学的定義を与え、共通知恵とは対照的に、入力集合上の確率空間を定義する。この枠組みに科学的理解がどのように適合するかを示し、科学的課題とパターン認識の違いを実証する。
論文参考訳（メタデータ） (2020-10-26T11:11:46Z)
Leap-Of-Thought: Teaching Pre-Trained Models to Systematically Reason Over Implicit Knowledge [96.92252296244233]
大規模な事前学習言語モデル(LM)は推論能力を得るが、制御は困難である。本研究では,暗黙的,事前学習された知識と明示的な自然言語文を併用して,体系的推論を確実に行うことができることを示す。我々の研究は、シンプルな自然言語文を追加することで、モデルを簡単に修正できるユーザと対話することで、常に改善されるオープンドメインシステムへの道を開く。
論文参考訳（メタデータ） (2020-06-11T17:02:20Z)
Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
論文参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。