論文の概要: Uncertainty, Vagueness, and Ambiguity in Human-Robot Interaction: Why Conceptualization Matters
- arxiv url: http://arxiv.org/abs/2604.15339v1
- Date: Tue, 10 Mar 2026 11:46:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:13.842786
- Title: Uncertainty, Vagueness, and Ambiguity in Human-Robot Interaction: Why Conceptualization Matters
- Title（参考訳）: 人間とロボットの相互作用における不確かさ・曖昧さ・曖昧さ--概念化がなぜ重要か
- Authors: Xiaowen Sun, Cornelius Weber, Matthias Kerzel, Josua Spisak, Stefan Wermter,
- Abstract要約: 不確かさ、あいまいさ、曖昧さは人間ロボットインタラクション(HRI)において密接に関連しており、しばしば混乱する概念である。
初期の研究では、これらの概念は矛盾した方法で定義され、矛盾した用語を用いて記述されている。
本稿では,HRIにおける不確実性,曖昧性,曖昧性の課題に対する一貫した概念的基盤を提案する。
- 参考スコア（独自算出の注目度）: 11.65060182964011
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainty, vagueness, and ambiguity are closely related and often confused concepts in human-robot interaction (HRI). In earlier studies, these concepts have been defined in contradictory ways and described using inconsistent terminology. This conceptual confusion and lack of terminological consistency undermine empirical comparability, thereby slowing the accumulation of theory. Consequently, consistent concepts that clarify these challenges, including their definitions, distinctions, and interrelationships, are needed in HRI. To address this lack of clarity, this paper proposes a consistent conceptual foundation for the challenges of uncertainty, vagueness, and ambiguity in HRI. First, we examine the meanings of these three terms in dictionaries. We then analyze the nature of their distinctions and interrelationships within the context of HRI. We further illustrate these characteristics through examples. Finally, we demonstrate how this consistent conceptual foundation facilitates the design of novel methods and the evaluation of existing methodologies for these phenomena.
- Abstract（参考訳）: 不確かさ、曖昧さ、曖昧さは密接な関係にあり、人間とロボットの相互作用(HRI)においてしばしば混同される。
初期の研究では、これらの概念は矛盾した方法で定義され、矛盾した用語を用いて記述されている。
この概念的混乱と項論的整合性の欠如は経験的可視性を損なうため、理論の蓄積を遅くする。
したがって、これらの課題を明確にする一貫した概念(定義、区別、相互関係など)は、HRIにおいて必要である。
このような明確さの欠如に対処するため,本論文では,HRIにおける不確実性,曖昧性,曖昧性といった課題に対する一貫した概念的基盤を提案する。
まず、辞書におけるこれら3つの用語の意味について検討する。
次に,HRIの文脈におけるそれらの区別と相互関係の性質を解析する。
さらに、これらの特徴を例によって説明します。
最後に、この一貫した概念的基盤が、新しい手法の設計とこれらの現象に対する既存手法の評価をいかに促進するかを実証する。
関連論文リスト
- Concept frustration: Aligning human concepts and machine representations [39.50576817657001]
基礎モデル埋め込みから抽出した教師なし中間表現と教師なし人間概念を比較するための枠組みを提案する。
科学的発見における概念的飛躍の役割に感銘を受け、概念的フラストレーションの概念を定式化する。
我々は,教師付き概念ベースモデルと教師なし表現の間の概念フラストレーションを検出するタスク整合類似度尺度を開発した。
論文 参考訳（メタデータ） (2026-03-31T12:17:21Z) - A Geometric Unification of Concept Learning with Concept Cones [58.70836885177496]
解釈可能性の2つの伝統は、並べて進化してきたが、互いに話すことはめったにない:概念ボトルネックモデル(CBM)とスパースオートエンコーダ(SAE)。
両パラダイムが同じ幾何学的構造をインスタンス化することを示す。
CBMは人間の定義した参照ジオメトリを提供するが、SAEは学習した円錐がCBMをどの程度よく近似するか、あるいは包含しているかによって評価することができる。
論文 参考訳（メタデータ） (2025-12-08T09:51:46Z) - From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning [63.25540801694765]
大きな言語モデル (LLMs) は言語能力を示すが、同じバランスをとれるかどうかは不明だ。
本稿では,LLMと人間を定量的に比較するために,Information Bottleneckの原理を適用した。
論文 参考訳（メタデータ） (2025-05-21T16:29:00Z) - Prioritization First, Principles Second: An Adaptive Interpretation of Helpful, Honest, and Harmless Principles [30.405680322319242]
Helpful, Honest, and Harmless(HHH)原則は、AIシステムを人間の価値と整合させるためのフレームワークである。
我々は,HHH原理の適応的解釈を論じ,多様なシナリオへの適応のための参照フレームワークを提案する。
この作業は、AIアライメントを改善するための実践的な洞察を提供し、HHH原則が現実のAIデプロイメントにおいて基礎的かつ運用的に有効であることを保証する。
論文 参考訳（メタデータ） (2025-02-09T22:41:24Z) - On the Role of Entity and Event Level Conceptualization in Generalizable Reasoning: A Survey of Tasks, Methods, Applications, and Future Directions [62.06913340614293]
本稿では,概念化されるインスタンスのタイプに基づいて,異なる概念化のタイプを4つのレベルに分類する。
本稿では,150以上の論文を包括的に調査し,概念化に関連するさまざまな定義,リソース,手法,下流アプリケーションについて調査する。
論文 参考訳（メタデータ） (2024-06-16T10:32:41Z) - Interpretability is in the Mind of the Beholder: A Causal Framework for
Human-interpretable Representation Learning [22.201878275784246]
説明可能なAIは、入力機能などの低レベル要素の観点から定義された説明から、データから学んだ解釈可能な概念でエンコードされた説明へとシフトしている。
しかし、そのような概念を確実に取得する方法は、基本的には不明確である。
ポストホックな説明器と概念に基づくニューラルネットワークの両方に適した解釈可能な表現を得るための数学的枠組みを提案する。
論文 参考訳（メタデータ） (2023-09-14T14:26:20Z) - Interpretable Neural-Symbolic Concept Reasoning [7.1904050674791185]
概念に基づくモデルは、人間の理解可能な概念のセットに基づいてタスクを学習することでこの問題に対処することを目的としている。
本稿では,概念埋め込みに基づく最初の解釈可能な概念ベースモデルであるDeep Concept Reasoner (DCR)を提案する。
論文 参考訳（メタデータ） (2023-04-27T09:58:15Z) - On the Faithfulness Measurements for Model Interpretations [100.2730234575114]
ポストホックな解釈は、自然言語処理(NLP)モデルがどのように予測を行うかを明らかにすることを目的とする。
これらの問題に取り組むために,我々は,削除基準,解釈の感度,解釈の安定性という3つの基準から始める。
これらの忠実性概念のデシデラタムに動機づけられ、敵対的領域からのテクニックを採用する新しい解釈方法のクラスを導入する。
論文 参考訳（メタデータ） (2021-04-18T09:19:44Z) - Aligning Faithful Interpretations with their Social Attribution [58.13152510843004]
モデル解釈が忠実であることの要件はあいまいで不完全であることに気付く。
因果的帰属(因果的帰属)と解釈(社会的帰属)に対する人間の行動の帰属(因果的帰属)の相違が問題であると認識する。
論文 参考訳（メタデータ） (2020-06-01T16:45:38Z) - On the Merging of Domain-Specific Heterogeneous Ontologies using Wordnet
and Web Pattern-based Queries [0.0]
我々は,コミュニティ間の共通ドメインの形式的,明示的,共有的な概念化と理解の提供を目指しています。
オントロジーは特定の領域の概念とその制約を明示的に定義することができる。
論文 参考訳（メタデータ） (2020-04-30T05:03:50Z)
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。