論文の概要: Why Conclusions Diverge from the Same Observations: Formalizing World-Model Non-Identifiability via an Inference

• arxiv url: http://arxiv.org/abs/2605.12255v1
• Date: Tue, 12 May 2026 15:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.958519
• Title: Why Conclusions Diverge from the Same Observations: Formalizing World-Model Non-Identifiability via an Inference
• Title（参考訳）: 結論が同じ観測から分岐する理由:推論による世界モデル非識別可能性の定式化
• Authors: Toru Takahashi,
• Abstract要約: 分散とは、他者の欠陥ではなく、推論と学習に固有の非識別性の一種である。 推論プロファイル$= (R, E, S, D)$を導入します。 このフレームワークは,表現階層,潜在状態推定,正規化探索トレードオフを含む深層表現学習に関係している。
• 参考スコア（独自算出の注目度）: 0.6768558752130311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When people share the same documents and observations yet reach different conclusions, the disagreement often shifts into a judgment that the other party is cognitively defective, irrational, or acting in bad faith. This paper argues that such divergence is better described as a form of non-identifiability inherent in inference and learning, rather than as a defect of the other party. We organize the phenomenon into two levels: (i) $θ$-level non-identifiability, where conclusions diverge under the same world model $W$ because inference settings differ; and (ii) $W$-level non-identifiability, where repeated use of an inference setting $θ$ biases data exposure and update rules, causing the learned world model $W$ itself to diverge. We introduce an inference profile $θ= (R, E, S, D)$, consisting of Reference, Exploration, Stabilization, and Horizon, and show how outputs can split even for the same observation $o$ and the same $W$. We further explain why disagreements tend to project onto a small number of bases -- abstract versus concrete, externalizability, and order versus freedom -- as a consequence of general constraints on learning systems: computational, observational, and coordination constraints. Finally, we relate the framework to deep representation learning, including representation hierarchy, latent-state estimation, and regularization-exploration trade-offs, and illustrate the framework through a case study on AI regulation debates.
• Abstract（参考訳）: 人々が同じ文書を共有し、観察結果が異なる結論に達すると、その意見の相違はしばしば、相手が認知的に欠陥があり、不合理で、悪い信念で行動しているという判断へと移行する。 本論では,このようなばらつきを,他者の欠陥ではなく,推論や学習に固有の非識別可能性の一形態として記述した方がよいと論じる。 私たちはこの現象を2つのレベルに分類します。 (i)$θ$-level non-identifiability, where conclusions diverge under the same world model $W$ because inference setting different; and (ii)$W$レベルの非識別性。$θ$の設定を繰り返し使用すると、データ露出と更新ルールが偏り、学習された世界モデルが$W$自体が分岐する。 我々は、参照、探索、安定化、ホライゾンからなる推論プロファイル$θ= (R, E, S, D)$を導入し、同じ観測値$o$と同じ$W$であっても出力がどのように分割できるかを示す。 さらに、学習システムに対する一般的な制約(計算、観察、調整の制約)の結果として、不一致が、抽象対具体的、外化可能性、秩序対自由といった少数の基盤に投射する傾向がある理由を説明している。 最後に、このフレームワークを表現階層、潜在状態推定、正規化探索トレードオフを含む深層表現学習に関連付け、AI規制論争のケーススタディを通じてそのフレームワークを説明する。

関連論文リスト

• Causal Bias Detection in Generative Artifical Intelligence [15.736899098702972]
  我々は、生成AIにおける因果フェアネスの問題を形式化し、共通の理論的枠組みの下で標準ML設定と統一する。 我々は, (a) 異なる因果経路と (b) 生成モデルのメカニズムによる実世界のメカニズムの置き換えの両方に沿って, 公正な影響の粒度の定量化を可能にする新たな因果分解結果を導出した。
  論文  参考訳（メタデータ） (2026-05-12T00:36:53Z)
• Diverse Dictionary Learning [47.381311762862985]
  観測データ$X = g(Z)$のみを与えられた場合、潜伏変数$Z$と生成プロセス$g$は未知であり、追加の仮定なしで$Z$を回収することは誤りである。 我々は、任意の観測に関連付けられた潜伏変数の交叉、補間、対称的な相違と、観測される潜伏変数の依存関係構造が、いまだ適切な不確定性まで同定可能であることを示す。
  論文  参考訳（メタデータ） (2026-04-19T18:18:34Z)
• REMA: A Unified Reasoning Manifold Framework for Interpreting Large Language Model [29.40036398095681]
  推論多様体(Reasoning Manifold)は、すべての正しく推論された世代に対応する内部表現によって形成される潜在低次元幾何学構造である。 誤りと正しい推論サンプルに対応する内部モデル表現の空間的関係を定量的に比較することにより,障害の起源を説明するフレームワークであるREMAを構築した。 多様な言語およびマルチモーダルモデルおよびタスクに関する実験は、推論多様体の低次元の性質と誤った推論表現と正しい推論表現の間の高い分離性を示す。
  論文  参考訳（メタデータ） (2025-09-26T16:02:27Z)
• Bound by semanticity: universal laws governing the generalization-identification tradeoff [8.437463955457423]
  有限分解能の類似性は、単なる玩具・模型の人工物ではなく、基本的な創発的な情報制約であることを示す。 これらの結果は、一般化識別トレードオフの正確な理論を提供し、意味論的解決がディープネットワークや脳の表現能力をどのように形成するかを明らかにする。
  論文  参考訳（メタデータ） (2025-06-01T15:56:26Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• A Sober Look at the Unsupervised Learning of Disentangled Representations and their Evaluation [63.042651834453544]
  モデルとデータの両方に帰納的バイアスを伴わずに,非教師なしの非教師付き表現学習は不可能であることを示す。 異なる手法は、対応する損失によって「強化」された特性を効果的に強制するが、よく見分けられたモデルは監督なしでは特定できないように見える。 以上の結果から,遠絡学習における今後の研究は,帰納的バイアスと(単純に)監督の役割を明確化すべきであることが示唆された。
  論文  参考訳（メタデータ） (2020-10-27T10:17:15Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。