論文の概要: Are Humans Evolved Instruction Followers? An Underlying Inductive Bias Enables Rapid Instructed Task Learning

• arxiv url: http://arxiv.org/abs/2606.29792v1
• Date: Mon, 29 Jun 2026 05:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.057709
• Title: Are Humans Evolved Instruction Followers? An Underlying Inductive Bias Enables Rapid Instructed Task Learning
• Title（参考訳）: 人間はインストラクション・フォローを進化させるか? : 素早いインストラクション・タスク・ラーニングを可能にするインダクティブ・バイアス
• Abstract要約: 人間の成人は、口頭または書面の指示のみを受けた後、最初の試みで、しばしば新しいタスクを正しく実行することができる。 言語的指示を解釈し実行するための進化によって形成された帰納的バイアスである。
• 参考スコア（独自算出の注目度）: 0.04512372501420208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human adults can often perform a novel task correctly on the first attempt after only receiving verbal or written instructions. This rapid instructed task learning (RITL) is a hallmark of human cognitive flexibility, yet its mechanisms and parallels in artificial systems remain under-explored across disciplines. In this position paper, we argue that humans possess an evolved instruction-following bias -- an inductive bias shaped by evolution to interpret and execute linguistic instructions which critically enables fast generalization of behavior from language. This bias functions analogously to the way large language models (LLMs) leverage instruction tuning to achieve zero-shot task performance. We synthesize evidence from cognitive science, neuroscience, and machine learning research to support this hypothesis. While instruction-following in AI is currently achieved via specialized training protocols, we posit that in humans it arises as an innate cognitive architecture feature. We outline testable predictions and call for more interdisciplinary research to investigate Instruction-Following as a unifying mechanism enabling rapid task learning in both natural and artificial neural networks.
• Abstract（参考訳）: 人間の成人は、口頭または書面の指示のみを受けた後、最初の試みで、しばしば新しいタスクを正しく実行することができる。 この素早い指導型タスク学習(RITL)は人間の認知的柔軟性の目印であるが、人工システムにおけるそのメカニズムと並列性は分野によって未解明のままである。 本稿では,進化によって形作られた帰納的バイアスが言語命令を解釈し実行し,言語からの行動の迅速な一般化を批判的に可能とする,進化的命令追従バイアスを有することを論じる。 このバイアスは、大きな言語モデル(LLM)が命令チューニングを活用してゼロショットタスクのパフォーマンスを達成する方法と類似して機能する。 この仮説を支持するために、認知科学、神経科学、機械学習の研究から証拠を合成する。 AIのインストラクションフォローは現在、特別なトレーニングプロトコルによって達成されていますが、人間では、それが本質的に認知アーキテクチャの機能として現れます。 我々は、検証可能な予測の概要を述べ、自然と人工のニューラルネットワークの両方で迅速なタスク学習を可能にする統一メカニズムとして、インストラクション・フォローを調査するために、より学際的な研究を求める。

関連論文リスト

• Agentivism: a learning theory for the age of artificial intelligence [2.278981812218892]
  生成的かつエージェント的なAIは、学習者が認知作業を生成、推薦、時には学習者に代わって行動できるシステムに委譲することを可能にして、新しい条件を作成する。 このことは、学習理論の根本的な課題を生み出します。 本稿では,人間-AIインタラクションの学習理論であるAgentivismを提案する。
  論文  参考訳（メタデータ） (2026-04-09T05:09:48Z)
• Consistent Zero-Shot Imitation with Contrastive Goal Inference [30.726311787096435]
  現実世界のインタラクションに展開されるエンボディエージェントの前提条件は、インタラクションによるトレーニングであるべきだ。 本研究の主な貢献は,対話型エージェントを自己指導型で事前学習する方法である。
  論文  参考訳（メタデータ） (2025-10-20T00:28:03Z)
• Behavioral Exploration: Learning to Explore via In-Context Adaptation [53.92981562916783]
  我々は、過去の観察の文脈で条件付けられた専門家の行動を予測し、専門家の行動がこの文脈とどのように関係しているかを測定するために、長期コンテキスト生成モデルを訓練する。 これにより、モデルが専門家の振る舞いを模倣するだけでなく、過去の相互作用の歴史を文脈に反映することで、これまで選択されたものと異なる専門家の振る舞いを選択することができる。 本手法は実環境におけるロボット操作作業だけでなく,シミュレーションロコモーションと操作設定の両方において有効であることを示す。
  論文  参考訳（メタデータ） (2025-07-11T21:36:19Z)
• Situated Instruction Following [87.37244711380411]
  本稿では,実世界のコミュニケーションの非特異性とあいまいさを取り入れた位置指示について述べる。 位置指示の意味は、人間の過去の行動と将来の行動を通じて自然に展開される。 我々の実験は、現在最先端の身体的指示追従(EIF)モデルが、位置する人間の意図の全体的理解を欠いていることを示唆している。
  論文  参考訳（メタデータ） (2024-07-15T19:32:30Z)
• Interpretable Robotic Manipulation from Language [11.207620790833271]
  本稿では,操作タスクに特化して設計された,Ex-PERACTという説明可能な行動クローニングエージェントを紹介する。 トップレベルでは、モデルは個別のスキルコードを学ぶことを任務とし、下位レベルでは、ポリシーネットワークは問題をボクセル化されたグリッドに変換し、離散化されたアクションをボクセルグリッドにマップする。 提案手法は,RLBenchベンチマークを用いた8つの操作課題にまたがって評価し,Ex-PERACTが競合する政策性能を達成するだけでなく,複雑な環境下でのヒューマンインストラクションとマシン実行のギャップを効果的に橋渡しすることを示した。
  論文  参考訳（メタデータ） (2024-05-27T11:02:21Z)
• An Incomplete Loop: Deductive, Inductive, and Abductive Learning in Large Language Models [99.31449616860291]
  現代の言語モデル(LM)は、異なる方法で新しいタスクを実行することを学べる。 次の命令では、ターゲットタスクは自然言語で明示的に記述され、少数ショットプロンプトでは、タスクは暗黙的に指定される。 命令推論では、LMはインコンテキストの例を示し、自然言語のタスク記述を生成するように促される。
  論文  参考訳（メタデータ） (2024-04-03T19:31:56Z)
• The dynamic interplay between in-context and in-weight learning in humans and neural networks [16.43008975197273]
  In-context Learning" (ICL) は、ニューラルネットワークに固有のIWLと共存可能な、根本的に異なる学習特性を持たせることができることを示す。 我々の研究は、創発的なICLが、そのネイティブなIWLと共存可能な、根本的に異なる学習特性を持つニューラルネットワークをどのように装備できるかを示している。
  論文  参考訳（メタデータ） (2024-02-13T18:55:27Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Define, Evaluate, and Improve Task-Oriented Cognitive Capabilities for Instruction Generation Models [5.975913042883176]
  最近の研究は、人間のために設計された心理学的テストを通して言語モデルの認知能力を研究する。 我々は、言語モデルがタスクを実行するために利用する人間のような認知能力であるタスク指向認知能力を定式化する。
  論文  参考訳（メタデータ） (2022-12-21T04:43:19Z)
• NeuroCERIL: Robotic Imitation Learning via Hierarchical Cause-Effect Reasoning in Programmable Attractor Neural Networks [2.0646127669654826]
  本稿では,脳にインスパイアされた神経認知アーキテクチャであるNeuroCERILについて紹介する。 シミュレーションされたロボット模倣学習領域において,NeuroCERILは様々な手続き的スキルを習得できることを示す。 我々は、NeuroCERILは人間のような模倣学習の実行可能な神経モデルであると結論付けた。
  論文  参考訳（メタデータ） (2022-11-11T19:56:11Z)
• Using Natural Language and Program Abstractions to Instill Human Inductive Biases in Machines [27.79626958016208]
  メタラーニングによって訓練されたエージェントは、人間とは全く異なる戦略をとる可能性がある。 これらのエージェントを自然言語のタスク記述から表現を予測し、そのようなタスクを生成するために誘導されるプログラムから学習することで、人間のような帰納的バイアスに導かれることを示す。
  論文  参考訳（メタデータ） (2022-05-23T18:17:58Z)
• Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
  本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。 この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。 実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
  論文  参考訳（メタデータ） (2022-04-17T11:21:18Z)
• Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
  興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。 この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。 これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
  論文  参考訳（メタデータ） (2020-11-30T18:29:25Z)

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。