論文の概要: RAINO: Anchoring Agents in Reality, A Systematic Review and Conceptual Framework for Realism in Agent-Based Modelling

• arxiv url: http://arxiv.org/abs/2606.05167v1
• Date: Sun, 29 Mar 2026 10:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.613308
• Title: RAINO: Anchoring Agents in Reality, A Systematic Review and Conceptual Framework for Realism in Agent-Based Modelling
• Title（参考訳）: RAINO:エージェントの現実化, エージェント・ベース・モデリングにおけるリアリズムの体系的レビューと概念的枠組み
• Abstract要約: 本稿では,エージェント・ベース・モデリングにおいて現実主義が現在どのように運用され,実証されているかを明らかにすることを目的とする。 その結果、リアリズムはしばしば定義が不十分であり、一貫した概念的枠組みが欠如していることが示されている。 このレビューに基づいて、我々は Reality Anchor, Input, Output (RAINO) フレームワークを紹介します。
• 参考スコア（独自算出の注目度）: 3.8673630752805437
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Realism is a central yet seemingly under-theorized concept in Agent-Based Modelling. This paper presents a Systematic Literature Review, aiming to identify how realism is currently operationalized and demonstrated. The results show that realism is often poorly defined and lacks a consistent conceptual framework. A wide variety of methods are used to achieve and demonstrate realism, but explanations of whether and why these methods are appropriate for their intended purposes are generally limited. Building on this review, we introduce the Reality Anchor, Input, Output (RAINO) framework. RAINO identifies the key structures used to argue for realism in Agent-Based Models, consisting of Reality Anchors (e.g., empirical data, formal theory, expert knowledge, common-sense expectations) and their application as model Input or Output. RAINO broadens existing perspectives on how realism is framed. It explains why different assessors may evaluate the realism of a model in different ways, and it shows how this broader framing can lead to significantly different approaches to model development.
• Abstract（参考訳）: リアリズム(Realism)はエージェントベースモデリングにおける中心的概念である。 本稿では,現実主義が現在どのように運用され,実証されているかを明らかにすることを目的とした,体系的文献レビュー(Systematic Literature Review)を提案する。 その結果、リアリズムはしばしば定義が不十分であり、一貫した概念的枠組みが欠如していることが示されている。 現実主義を達成し、実証するために様々な方法が用いられるが、これらの方法が意図した目的に適しているかどうかと理由についての説明は一般的に限られている。 このレビューに基づいて、我々は Reality Anchor, Input, Output (RAINO) フレームワークを紹介します。 RAINOは、エージェントベースモデルにおけるリアリズムを論じるために使われる重要な構造を、現実的なアンカー(例:経験的データ、形式理論、専門家の知識、常識的な期待)とモデル入力または出力としてのそれらの応用から特定する。 RAINOは、リアリズムのフレーム化に関する既存の視点を広げます。 異なるアセステータがモデルのリアリズムを異なる方法で評価する理由を説明し、このより広いフレーミングがモデル開発にどのように大きく異なるアプローチをもたらすかを示します。

関連論文リスト

• A Knowledge-Informed Pretrained Model for Causal Discovery [61.8885572392623]
  因果発見は広く研究されてきたが、多くの既存の手法は強い仮定に依存している。 本稿では,弱い事前知識を原則的中核として統合した,因果発見のための知識インフォームド事前学習モデルを提案する。 本モデルでは,2つのソースエンコーダ・デコーダアーキテクチャを用いて,観測データを知識に富んだ方法で処理する。
  論文  参考訳（メタデータ） (2026-03-21T14:59:41Z)
• The Trinity of Consistency as a Defining Principle for General World Models [106.16462830681452]
  一般世界モデルは、客観的物理法則を学習し、シミュレートし、推論することができる。 本稿では,一般世界モデルに必要な基本的特性を定義するための理論的枠組みを提案する。 我々の研究は、現在のシステムの限界と将来の進歩のためのアーキテクチャ要件の両方を明確にし、一般的な世界モデルへの原則的な経路を確立します。
  論文  参考訳（メタデータ） (2026-02-26T16:15:55Z)
• Shapes of Cognition for Computational Cognitive Modeling [0.0]
  認知の形状は、言語発達型知的エージェントの計算認知モデルのための新しい概念パラダイムである。 形状に基づくモデリングには、特定の目的、仮説、モデリング戦略、知識ベース、および幅広い現象の実際のモデルが含まれる。
  論文  参考訳（メタデータ） (2025-09-16T17:39:58Z)
• Critiques of World Models [15.85362493719642]
  我々は、世界モデルの第一の目的は、目的的推論と行動のために、現実世界のあらゆる実行可能な可能性をシミュレートすることであると主張している。 本稿では,階層的・多層的・混合的連続・離散的表現に基づく汎用世界モデルのための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-07-07T16:23:46Z)
• AI in a vat: Fundamental limits of efficient world modelling for agent sandboxing and interpretability [84.52205243353761]
  最近の研究は、世界モデルを使用して、AIエージェントをデプロイ前にテストできる制御された仮想環境を生成することを提案する。 評価対象のAIエージェントに非依存な世界モデルを簡単にする方法を検討する。
  論文  参考訳（メタデータ） (2025-04-06T20:35:44Z)
• Causally Reliable Concept Bottleneck Models [4.411356026951205]
  概念に基づくモデルは、データに表される対象現象の根底にある真の因果メカニズムを説明できない。 実世界の因果メカニズムのモデルに基づいて構成された概念のボトルネックを通じて推論を強制する概念ベースアーキテクチャのクラスである、因果信頼概念ボトルネックモデル(C$2$BMs)を提案する。 C$2$BMは、精度を維持しながら、標準不透明モデルやコンセプトベースモデルのような介入に対する応答性を改善しつつ、より解釈可能で、因果的に信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2025-03-06T12:06:54Z)
• How to Probe: Simple Yet Effective Techniques for Improving Post-hoc Explanations [69.72654127617058]
  ポストホック重要属性法は、ディープニューラルネットワーク(DNN)を"説明"するための一般的なツールである この研究において、我々はこの概念に挑戦する経験的証拠を提示する。 トレーニング済みモデルの分類レイヤのトレーニング詳細が重要な役割を果たすことを示す。
  論文  参考訳（メタデータ） (2025-03-01T22:25:11Z)
• On the Fairness, Diversity and Reliability of Text-to-Image Generative Models [68.62012304574012]
  マルチモーダル生成モデルは 信頼性 公正性 誤用の可能性について 批判的な議論を巻き起こしました 埋め込み空間におけるグローバルおよびローカルな摂動に対する応答を解析し、モデルの信頼性を評価するための評価フレームワークを提案する。 提案手法は, 信頼できない, バイアス注入されたモデルを検出し, 組込みバイアスの証明をトレースするための基礎となる。
  論文  参考訳（メタデータ） (2024-11-21T09:46:55Z)
• Preconceptual Modeling in Software Engineering: Metaphysics of Diagrammatic Representations [0.0]
  本研究の目的は,現実の関与する部分のメタ物理的基盤を確立する方法を示すことである。 TMモデルは、thimac (things/machine) と呼ばれる基本構造に基づく静的性とダイナミズムを統合する。 議論には、ティマクの性質(物と過程)と、それらが現実において相互に重なり合っているときの生存と存在が関係している。
  論文  参考訳（メタデータ） (2024-05-15T11:38:10Z)
• Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
  本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。 オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。 大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
  論文  参考訳（メタデータ） (2024-02-23T16:50:07Z)
• Faithful Model Explanations through Energy-Constrained Conformal Counterfactuals [16.67633872254042]
  ブラックボックスモデルを説明するための直感的で直感的な説明を提供する。 既存の作業は主に、入力データの分散方法を学ぶために代理モデルに依存しています。 そこで本研究では,モデルが許容する範囲でのみ有効な,エネルギー制約のあるコンフォーマル・カウンセリングを生成するための新しいアルゴリズムフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-17T08:24:44Z)
• Diagnosing failures of fairness transfer across distribution shift in real-world medical settings [60.44405686433434]
  分散シフト下でのモデルフェアネスの変化の診断と緩和は、医療環境における機械学習の安全な展開の重要な構成要素である。 この知識は、文献でしばしば想定されるよりも現実のシフトがより複雑である事例を含む、公平性伝達の失敗の診断に有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-02T13:59:23Z)

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。