論文の概要: Better Understanding, Understanding Better
- arxiv url: http://arxiv.org/abs/2606.31892v1
- Date: Tue, 30 Jun 2026 16:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.309282
- Title: Better Understanding, Understanding Better
- Title（参考訳）: より良く理解し、より良く理解する
- Abstract要約: 哲学文学における繰り返しのテーマは、知識とは異なり、理解が学位に上がることである。
レベルインデクシングされた理解モダリティを用いた理解の論理について紹介する。
各固定有限レベルフラグメントが決定可能であることを示す。
- 参考スコア（独自算出の注目度）: 1.4568425367156232
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: "Any fool can know; the point is to understand." A well-known remark often attributed to Einstein captures a widely shared intuition: understanding is more than merely knowing. Yet epistemic logic has paid relatively little attention to understanding, despite its central role in contemporary epistemology, philosophy of science, and recent debates about AI. A recurring theme in the philosophical literature is that, unlike knowledge, understanding comes in degrees: one may understand something more or less well, and one's understanding may be better than another's. We introduce a comparative epistemic logic of understanding with level-indexed understanding modalities and a comparative connective for saying that one agent understands why a proposition better than another agent does. Semantically, we enrich multi-agent epistemic models with agent-indexed graded explanation structures and a justification-style term algebra. This yields a unified framework for representing minimal, ordinary, more demanding, and ideal understanding, together with comparisons between agents with respect to the same formula at issue. We distinguish a finitary bounded-level calculus from an infinitary full-language companion system. We establish soundness and strong completeness, and show that each fixed finite-level fragment is decidable.
- Abstract（参考訳）: 「多くの愚か者は知っている。要は理解することである。」
アインシュタインによるよく知られた発言は、広く共有されている直観を捉えている: 理解は単に知ること以上のものである。
しかし、現代の認識学、科学哲学、そして近年のAIに関する議論において中心的な役割を果たしているにもかかわらず、認識論理学は理解にはほとんど関心を示さなかった。
哲学文学における繰り返しのテーマは、知識とは異なり、理解は次々に行われる: ある人は何かがよりよく理解されるかもしれないし、ある人の理解は他より優れているかもしれない。
本稿では,あるエージェントが他のエージェントよりも提案が優れている理由を理解していることを示すための比較接続法を提案する。
意味論的には、エージェントインデクシングされた段階的説明構造と正当化スタイルの項代数を持つマルチエージェントの疫学モデルに富む。
これにより、最小限、通常、より要求され、理想的な理解を表現する統一的な枠組みが得られ、また、問題となる同じ公式に対するエージェント間の比較も得られる。
有限次有界レベル計算と無限次完全言語対応システムとを区別する。
健全性と強完全性を確立し、各固定有限レベルフラグメントが決定可能であることを示す。
関連論文リスト
- Cognitive Mismatch in Multimodal Large Language Models for Discrete Symbol Understanding [96.81411333150213]
本稿では,最上位のMLLMが個別の意味空間をどのようにナビゲートするかを評価するためのベンチマークを紹介する。
モデルは基本的なシンボル認識に失敗することが多いが、複雑な推論タスクに成功している。
この作業は、より厳格で人間指向のインテリジェントなシステムを開発するためのロードマップを提供する。
論文 参考訳（メタデータ） (2026-03-19T04:08:20Z) - Complexity of Faceted Explanations in Propositional Abduction [6.674752821781092]
帰納的推論は、観察された症状や症状を説明することを目的とした、一般的な非単調なパラダイムである。
命題推論では、命題式による知識の特定に焦点をあてる。
意思決定とカウントの間の推論を検討し、説明をよりよく理解できるようにします。
論文 参考訳（メタデータ） (2025-07-20T13:50:26Z) - A Complexity-Based Theory of Compositionality [53.025566128892066]
AIでは、構成表現は配布外一般化の強力な形式を可能にすることができる。
ここでは、構成性に関する直観を考慮し、拡張する、表現的構成性と呼ばれる定義を提案する。
私たちは、AIと認知科学の両方において、文学全体から異なる直観を統一する方法を示します。
論文 参考訳（メタデータ） (2024-10-18T18:37:27Z) - Forms of Understanding for XAI-Explanations [3.2908604499330423]
説明可能性(Explainability)は、コンピュータ科学と人工知能において重要なトピックとなり、説明可能な人工知能(XAI)と呼ばれるサブフィールドへとつながった。
理解」の意味はいまだ明確に定義されておらず、概念そのものが科学的研究の対象になることはめったにない。
この概念的論文は、XAIの解説などに対する理解形態のモデル提示を目的としている。
論文 参考訳（メタデータ） (2023-11-15T08:06:51Z) - Modeling Hierarchical Reasoning Chains by Linking Discourse Units and
Key Phrases for Reading Comprehension [80.99865844249106]
本稿では,論理的推論の基盤として,対話レベルと単語レベルの両方の文脈を扱う総合グラフネットワーク(HGN)を提案する。
具体的には、ノードレベルの関係とタイプレベルの関係は、推論過程におけるブリッジと解釈できるが、階層的な相互作用機構によってモデル化される。
論文 参考訳（メタデータ） (2023-06-21T07:34:27Z) - How Do Transformers Learn Topic Structure: Towards a Mechanistic
Understanding [56.222097640468306]
我々は、トランスフォーマーが「意味構造」を学ぶ方法の機械的理解を提供する
数学的解析とウィキペディアデータの実験を組み合わせることで、埋め込み層と自己保持層がトピック構造をエンコードしていることを示す。
論文 参考訳（メタデータ） (2023-03-07T21:42:17Z) - An Enactivist-Inspired Mathematical Model of Cognition [5.8010446129208155]
我々は、関連する文献で慎重に確認した5つの基本的なエノクティビズム認知科学のテレットを定式化する。
次に、これらの実践主義的信条に従う認知システムについて話すための数学的枠組みを開発する。
論文 参考訳（メタデータ） (2022-06-10T13:03:47Z) - Compositional Processing Emerges in Neural Networks Solving Math
Problems [100.80518350845668]
人工知能の最近の進歩は、大きなモデルが十分な言語データに基づいて訓練されると、文法構造が表現に現れることを示している。
我々は、この研究を数学的推論の領域にまで拡張し、どのように意味を構成するべきかについての正確な仮説を定式化することができる。
私たちの研究は、ニューラルネットワークがトレーニングデータに暗黙的に構造化された関係について何かを推測できるだけでなく、個々の意味の合成を合成全体へと導くために、この知識を展開できることを示している。
論文 参考訳（メタデータ） (2021-05-19T07:24:42Z) - HALMA: Humanlike Abstraction Learning Meets Affordance in Rapid Problem
Solving [104.79156980475686]
人間は自然主義的タスクの構造に応じて構成的および因果的抽象化、つまり知識を学ぶ。
エージェントがその知識をどのように表現するかには、知覚、概念、アルゴリズムの3段階の一般化がある、と我々は主張する。
このベンチマークは、ビジュアルコンセプト開発と迅速な問題解決のための新しいタスクドメイン、HALMAを中心にしています。
論文 参考訳（メタデータ） (2021-02-22T20:37:01Z) - Understanding understanding: a renormalization group inspired model of
(artificial) intelligence [0.0]
本稿では,科学的および人工知能システムにおける理解の意味について述べる。
理解の数学的定義を与え、共通知恵とは対照的に、入力集合上の確率空間を定義する。
この枠組みに科学的理解がどのように適合するかを示し、科学的課題とパターン認識の違いを実証する。
論文 参考訳（メタデータ） (2020-10-26T11:11:46Z) - The Relativity of Induction [0.0]
オッカムのカミソリとパーシモニーの原理は、地上学習には不十分であることを示す。
我々は、学習の本質とダイナミクスに関するより明確な洞察をもたらす一連の相対論的原則を導出し、実証する。
論文 参考訳（メタデータ） (2020-09-22T15:17:26Z)
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。