論文の概要: Learning to Theorize the World from Observation

• arxiv url: http://arxiv.org/abs/2605.03413v1
• Date: Tue, 05 May 2026 06:39:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.804095
• Title: Learning to Theorize the World from Observation
• Title（参考訳）: 観察から世界を理論化する
• Authors: Doojin Baek, Gyubin Lee, Junyeob Baek, Hosung Lee, Sungjin Ahn,
• Abstract要約: 我々は、生の非テクスト観察から世界の明示的な説明理論を推論する学習パラダイムであるLearning-to-Theorizeを紹介する。 我々はこのパラダイムを、学習された思考言語として潜在プログラムを誘導する確率論的ニューラルネットワークであるNeO(Neural Theorizer)でインスタンス化する。
• 参考スコア（独自算出の注目度）: 18.325483315053123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: What does it mean to understand the world? Contemporary world models often operationalize understanding as accurate future prediction in latent or observation space. Developmental cognitive science, however, suggests a different view: human understanding emerges through the construction of internal theories of how the world works, even before mature language is acquired. Inspired by this theory-building view of cognition, we introduce Learning-to-Theorize, a learning paradigm for inferring explicit explanatory theories of the world from raw, non-textual observations. We instantiate this paradigm with the Neural Theorizer (NEO), a probabilistic neural model that induces latent programs as a learned Language of Thought and executes them through a shared transition model. In NEO, a theory is represented as an executable, compositional program whose learned primitives can be systematically recombined to explain novel phenomena. Experiments show that this formulation enables explanation-driven generalization, allowing observations to be understood in terms of the programs that generate them.
• Abstract（参考訳）: 世界を理解することが何を意味するのか? 現代の世界モデルは、しばしば潜伏空間や観測空間における正確な将来の予測として理解を運用する。 人間の理解は、成熟した言語が獲得される前であっても、世界がどのように機能するかに関する内部理論を構築することによって生まれる。 この認知論から着想を得て、生の非テクスト的な観察から世界の明示的説明論を推論する学習パラダイムであるLearning-to-Theorizeを紹介した。 我々は、このパラダイムを、学習された思考言語として潜伏プログラムを誘導し、共有遷移モデルを介してそれらを実行する確率論的ニューラルモデルであるニューラル・セオライザ(NEO)でインスタンス化する。 NEOでは、理論は、学習されたプリミティブを体系的に組み換えて、新しい現象を説明する実行可能な構成プログラムとして表現される。 実験により、この定式化は説明駆動の一般化を可能にし、それらを生成するプログラムの観点で観察が理解できることが示されている。

関連論文リスト

• There Will Be a Scientific Theory of Deep Learning [62.690977616250954]
  我々は、深層学習の科学的理論が出現しつつあることを主張する。 我々は、そのような理論を導く5つの成長する仕事の体を同定する。 我々は、新しい理論は学習過程の力学と考えるのが一番良いと論じる。
  論文  参考訳（メタデータ） (2026-04-23T13:58:12Z)
• Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
  大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。 これらのモデルでは、概念は人間のものと似ていますか? LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-21T23:54:17Z)
• From Word Models to World Models: Translating from Natural Language to the Probabilistic Language of Thought [124.40905824051079]
  言語インフォームド・シンキングのための計算フレームワークである「構成」を合理的に提案する。 我々は、自然言語から確率論的思考言語への文脈感応的なマッピングとして、言語の意味を定式化する。 LLMは、現実的に適切な言語的意味をキャプチャする文脈依存翻訳を生成することができることを示す。 認知的なモチベーションを持つシンボリックモジュールを統合するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2023-06-22T05:14:00Z)
• Interpretable Reinforcement Learning Inspired by Piaget's Theory of Cognitive Development [1.7778609937758327]
  本稿では,思考の言語(LOTH)やスクリプト理論,ピアジェの認知発達理論などの理論が相補的なアプローチを提供するという考えを楽しませる。 提案するフレームワークは,人工知能システムにおいて,人間のような認知を実現するためのステップとみなすことができる。
  論文  参考訳（メタデータ） (2021-02-01T00:29:01Z)

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。