論文の概要: Failure Ontology: A Lifelong Learning Framework for Blind Spot Detection and Resilience Design

• arxiv url: http://arxiv.org/abs/2604.10549v1
• Date: Sun, 12 Apr 2026 09:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.09398
• Title: Failure Ontology: A Lifelong Learning Framework for Blind Spot Detection and Resilience Design
• Title（参考訳）: 失敗オントロジー:盲点検出とレジリエンス設計のための生涯学習フレームワーク
• Authors: Yuan Sun, Hong Yi, Jinyuan Liu,
• Abstract要約: 我々は、人命の破滅、健康崩壊、専門職の陳腐化など、最も被害の大きい失敗は、知識の獲得不足によって生じることは滅多にないと主張している。 それは、人の認知地図から概念領域全体を体系的に欠落させることから生じる。 我々は、オントロジー・ブラインドスポット(Ontological Blind Spots)と呼び、人間の生涯にわたってそれらを検出、分類、更新するための正式な枠組みである失敗オントロジー(F)を紹介します。
• 参考スコア（独自算出の注目度）: 11.746402030076245
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Personalized learning systems are almost universally designed around a single objective: help people acquire knowledge and skills more efficiently. We argue this framing misses the more consequential problem. The most damaging failures in human life-financial ruin, health collapse, professional obsolescence-are rarely caused by insufficient knowledge acquisition. They arise from the systematic absence of entire conceptual territories from a person's cognitive map: domains they never thought to explore because, from within their existing worldview, those domains did not appear to exist or to matter. We call such absences Ontological Blind Spots and introduce Failure Ontology (F), a formal framework for detecting, classifying, and remediating them across a human lifetime. The framework introduces three original contributions: (1) a four-type taxonomy of blind spots distinguishing domain blindness, structural blindness, weight blindness, and temporal blindness; (2) five convergent failure patterns characterizing how blind spots interact with external disruption to produce catastrophic outcomes; and (3) the Failure Learning Efficiency Theorem, proving that failure-based learning achieves higher sample efficiency than success-based learning under bounded historical data. We illustrate the framework through historical case analysis of the 1997 Asian Financial Crisis and the 2008 subprime mortgage crisis, and through alongitudinal individual case study spanning five life stages.
• Abstract（参考訳）: パーソナライズド・ラーニング・システムは、人々がより効率的に知識とスキルを得るのを助ける、単一の目的に基づいて、ほぼ普遍的に設計されている。 我々は、このフレーミングがより簡潔な問題を見逃すと主張している。 人命の破滅、健康崩壊、専門職の老朽化など、最も被害の大きい失敗は、知識の獲得不足によって起こることはめったにない。 それらは、ある人の認知地図から概念的領域全体の体系的な欠如から生じるもので、既存の世界観から見れば、これらの領域は存在せず、問題にも見えなかった。 我々は、オントロジー・ブラインドスポット(Ontological Blind Spots)と呼び、人間の生涯にわたってそれらを検出、分類、更新するための正式な枠組みである失敗オントロジー(F)を紹介します。 この枠組みは,(1)ドメインの盲点,構造的な盲点,体重の盲点,時間的盲点を識別する4種類の盲点分類,(2)盲点が破滅的な結果を生み出すために外部の破壊とどのように相互作用するかを特徴付ける5つの収束的失敗パターン,(3)失敗に基づく学習が,有界な歴史的データに基づく成功に基づく学習よりも高いサンプル効率を達成することを証明した失敗学習効率理論,の3つの原点を紹介した。 1997年のアジア金融危機と2008年のサブプライム住宅ローン危機の歴史的事例分析、および5つの生活段階にわたる相互個別ケーススタディを通じて、この枠組みを解説する。

関連論文リスト

• Long-Tail Knowledge in Large Language Models: Taxonomy, Mechanisms, Interventions and Implications [0.0]
  本稿では,大規模言語モデルにおける長期学習知識の構造的分類法と分析法を開発する。 我々は、技術的・社会学的観点から先行研究を合成する構造化分析フレームワークを導入する。 この論文は、プライバシー、持続可能性、ガバナンスに関連するオープンな課題を特定することで締めくくっている。
  論文  参考訳（メタデータ） (2026-02-18T05:49:45Z)
• Understanding the Dilemma of Unlearning for Large Language Models [50.54260066313032]
  Unlearningは、大きな言語モデル(LLM)から特定の知識を取り除こうとしている。 提案するunPactは,帰納的帰属とコントリビューショントラッキングによるアンラーニングのための解釈可能なフレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T12:15:19Z)
• Investigating Plausibility of Biologically Inspired Bayesian Learning in ANNs [0.0]
  破滅的な忘れ事は、人工システムにおける生涯学習の領域における主要な問題である。 我々は、このベイズ推定を、より生物学的にインスパイアされたモデルに模倣するために閾値決定機構を組み込んだ。 視覚データセットMNISTを用いた人工システムにおける生物学的にインスパイアされたベイズ学習の有効性について検討した。
  論文  参考訳（メタデータ） (2024-11-27T22:19:27Z)
• FALCON: Fairness Learning via Contrastive Attention Approach to Continual Semantic Scene Understanding [28.880226459932146]
  本稿では,意味場面理解における連続学習へのコントラスト・アテンション・アプローチによるフェアネス・ラーニングを提案する。 まず、破滅的な忘れと公平さの問題に対処するために、新しいフェアネス・コントラスト・クラスタリング・ロスを導入する。 そこで本研究では,バックグラウンドシフト問題と未知のクラスを効果的にモデル化する,注目に基づく視覚文法手法を提案する。
  論文  参考訳（メタデータ） (2023-11-27T16:07:39Z)
• Causal Deep Learning [77.49632479298745]
  因果性は、現実世界の問題を解決する方法を変える可能性がある。 しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。 我々は、因果性に関する新しい考え方を提案します。
  論文  参考訳（メタデータ） (2023-03-03T19:19:18Z)
• Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning [98.78136504619539]
  Causal Tripletは、視覚的に複雑なシーンを特徴とする因果表現学習ベンチマークである。 この結果から,不整合表現やオブジェクト中心表現の知識によって構築されたモデルが,分散表現よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-12T17:43:38Z)
• Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
  解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。 人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。 本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
  論文  参考訳（メタデータ） (2022-04-26T02:22:28Z)
• Robustness Disparities in Commercial Face Detection [72.25318723264215]
  私たちは、Amazon Rekognition、Microsoft Azure、Google Cloud Platformの3つのシステムの堅牢性に関する、この種の詳細なベンチマークを初めて提示します。 一般的には、年齢、男性像、肌型、薄暗い色合いの人物の写真は、他のアイデンティティーの人物よりも、エラーの影響を受けやすいことが分かりました。
  論文  参考訳（メタデータ） (2021-08-27T21:37:16Z)
• SSHFD: Single Shot Human Fall Detection with Occluded Joints Resilience [10.719603033631952]
  Single Shot Human Fall Detectorは、単一の画像から自動転倒検出を行うディープラーニングベースのフレームワークである。 まず、外見の特徴に不変な人間のポーズに基づく転倒表現を示す。 次に、3次元ポーズ推定と転倒認識のためのニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2020-04-02T03:41:39Z)

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。