論文の概要: ATLAS: Active Theory Learning for Automated Science

• arxiv url: http://arxiv.org/abs/2606.12386v1
• Date: Wed, 10 Jun 2026 17:52:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.607993
• Title: ATLAS: Active Theory Learning for Automated Science
• Title（参考訳）: ATLAS: 自動科学のためのアクティブな理論学習
• Authors: Noémi Éltető, Nathaniel D. Daw, Kimberly L. Stachenfeld, Kevin J. Miller,
• Abstract要約: ATLAS(Active Theory Learning for Automated Science)は、解釈可能な行動モデルのデータ駆動的発見のためのアクティブな学習フレームワークである。 本研究では,バンドイットタスクにおける強化学習エージェントの動作を回復する問題に対して,本手法を検証した。
• 参考スコア（独自算出の注目度）: 2.8432280434353405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advancing scientific understanding through mechanistic modeling requires posing the right experimental questions to yield maximally informative data. To automate this pursuit within cognitive science, we introduce ATLAS (Active Theory Learning for Automated Science), an active learning framework for the data-driven discovery of interpretable behavioral models. ATLAS iterates between generating mechanistic hypotheses--instantiated as a diverse ensemble of sparse neural networks (Disentangled RNNs)--and designing experiments that optimally distinguish between them. We test this approach on the problem of recovering reinforcement learning agents from their behavior in bandit tasks. ATLAS designs varied sequences of qualitatively novel experiments with temporal structure tailored to underlying agent characteristics. The models trained on these experiments are evaluated against a comprehensive set of metrics for mechanistic modeling that capture behavioral, structural, and computational similarity. ATLAS achieves a 5-10x improvement in sample efficiency across all metrics compared to random experimentation, and its performance is further validated against expert-designed experiments derived from literature. These in silico results showcase ATLAS's potential to accelerate human-interpretable insights in cognitive science and other domains where scientific inquiry relies on discovering mechanistic models.
• Abstract（参考訳）: メカニスティック・モデリングによる科学的理解の促進には、適切な実験的な疑問に反応して、最大限に有益なデータを得る必要がある。 認知科学におけるこの追跡を自動化するために,データ駆動型行動モデル発見のための能動的学習フレームワークであるATLAS(Active Theory Learning for Automated Science)を紹介した。 ATLASは、メカニスティックな仮説を生成すること - スパースニューラルネットワーク(Disentangled RNN)の多様なアンサンブルとして確立された - と、それらを最適に区別する設計実験の間を繰り返す。 本研究では,バンドイットタスクにおける強化学習エージェントの動作を回復する問題に対して,本手法を検証した。 ATLASは、基礎となるエージェント特性に合わせて、時間構造を持つ定性的に新しい実験の配列を設計した。 これらの実験で訓練されたモデルは、挙動、構造、計算の類似性を捉えるメカニスティックモデリングのための包括的なメトリクスセットに対して評価される。 ATLASは、ランダムな実験に比べてサンプル効率を5～10倍改善し、その性能は文学から派生した専門家が設計した実験に対してさらに検証される。 これらのシリコの結果は、ATLASが認知科学やその他の分野における人間の解釈可能な洞察を加速する可能性を示している。

関連論文リスト

• Can we automatize scientific discovery in the cognitive sciences? [20.166894780789725]
  心のシリコ科学における完全自動化に向けてのパラダイムシフトを提案する。 このフレームワークは、Large Language Models (LLM)を使用して、発見サイクルのすべてのステージを実装する。
  論文  参考訳（メタデータ） (2026-03-22T00:15:58Z)
• Prospects for Using Artificial Intelligence to Understand Intrinsic Kinetics of Heterogeneous Catalytic Reactions [2.0971479389679337]
  鍵となるフロンティアは、AIをマルチスケールモデルとマルチモーダル実験に統合することである。 一貫性のないデータ品質と モデルの複雑さは 機械的な発見を制限する 生成AIとエージェントAIは、モデル生成を自動化し、不確実性を定量化し、実験でカップル理論を組み込むことができる。
  論文  参考訳（メタデータ） (2025-10-21T04:35:26Z)
• Operationalizing Serendipity: Multi-Agent AI Workflows for Enhanced Materials Characterization with Theory-in-the-Loop [0.0]
  SciLinkは、材料研究におけるセレンディピティーを運用するために設計された、オープンソースのマルチエージェント人工知能フレームワークである。 実験観察、新規性評価、理論シミュレーションの直接的な自動リンクを生成する。 本稿では,原子分解能およびハイパースペクトルデータへの応用,リアルタイムな人間専門家指導の統合能力,研究ループを閉じる能力について述べる。
  論文  参考訳（メタデータ） (2025-08-07T04:59:17Z)
• Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
  機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。 本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。 数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-03T06:19:20Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Latent Variable Representation for Reinforcement Learning [131.03944557979725]
  モデルに基づく強化学習のサンプル効率を改善するために、潜在変数モデルが学習、計画、探索をいかに促進するかは理論上、実証上、不明である。 状態-作用値関数に対する潜在変数モデルの表現ビューを提供する。これは、抽出可能な変分学習アルゴリズムと楽観主義/悲観主義の原理の効果的な実装の両方を可能にする。 特に,潜伏変数モデルのカーネル埋め込みを組み込んだUPB探索を用いた計算効率の良い計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-17T00:26:31Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Complete CVDL Methodology for Investigating Hydrodynamic Instabilities [0.49873153106566565]
  流体力学において、最も重要な研究分野の1つは流体力学の不安定性と異なる流れ状態におけるその進化である。 現在、そのような現象、すなわち分析モデル、実験、シミュレーションを理解するために3つの主要な手法が使用されている。 我々は、この研究の大部分が、Deep Learning(CVDL、Deep Computer-Vision)の分野における最近の画期的な進歩を用いて、分析されるべきであると主張している。 具体的には、最も代表的な不安定性であるRayleigh-Taylorの研究に焦点をあて、その振る舞いをシミュレートし、オープンソースの状態を作り出す。
  論文  参考訳（メタデータ） (2020-04-03T13:52:04Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。