論文の概要: More accurate behavioral predictions with hybrid Bayesian-connectionist models

• arxiv url: http://arxiv.org/abs/2608.22154v1
• Date: Sun, 23 Aug 2026 00:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.950652
• Title: More accurate behavioral predictions with hybrid Bayesian-connectionist models
• Title（参考訳）: ハイブリッドベイズ接続モデルによるより正確な行動予測
• Authors: Brenden M. Lake, Akshay K. Jagadish, Guangyuan Jiang,
• Abstract要約: 両伝統を最大限に活用するためのアプローチとして,行動調整(BBT)を用いたベイズ蒸留を紹介した。 BBTはモデル構築の簡単なレシピを提供する: まず、ニューラルネットワークは合成データを通じてベイズモデルを模倣するように訓練され、次に、ネットワークは人間の振る舞いに基づいて微調整され、追加の構造とニュアンスをキャプチャする。 BBTは人間の行動を予測する従来の手法よりも優れており、心理学的洞察も示している。
• 参考スコア（独自算出の注目度）: 7.538203439456688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Researchers must often choose between Bayesian or neural network models of behavior, two paradigms with complementary strengths and weaknesses. An ideal paradigm would facilitate testing many kinds of representations and inductive biases; Bayesian models make this easy, while neural networks do not. Similarly, an ideal paradigm would avoid over-simplifications; neural networks make this easy, while Bayesian models do not. Here, we introduce Bayesian distillation with Behavioral Tuning (BBT) as an approach to getting the best of both traditions. BBT offers a simple recipe for model building: first, a neural network is trained to mimic a Bayesian model through synthetic data, and second, the network is fine-tuned on human behavior to capture additional structure and nuance. Across four case studies in human concept learning, we find that BBT outperforms traditional approaches at predicting human behavior while also revealing psychological insights, resulting in models that can both mimic Bayesian priors and capture heuristics and biases that violate simple modeling assumptions.
• Abstract（参考訳）: 研究者はしばしば、相補的な強みと弱みを持つ2つのパラダイムである行動のベイズモデルまたはニューラルネットワークモデルを選択する必要がある。 理想的なパラダイムは、様々な種類の表現と帰納的バイアスをテストすることを容易にする。 同様に、理想的なパラダイムは過剰な単純化を回避し、ニューラルネットワークはそれを簡単にするが、ベイズモデルはそうではない。 本稿では,両方の伝統を最大限に活用するためのアプローチとして,行動調整(BBT)を用いたベイズ蒸留を紹介した。 BBTはモデル構築の簡単なレシピを提供する: まず、ニューラルネットワークは合成データを通じてベイズモデルを模倣するように訓練され、次に、ネットワークは人間の振る舞いに基づいて微調整され、追加の構造とニュアンスをキャプチャする。 人間の概念学習における4つのケーススタディにおいて、BBTは人間の行動を予測する上で従来のアプローチよりも優れており、心理学的洞察も示している。

関連論文リスト

• Amortising Inference and Meta-Learning Priors in Neural Networks [6.79694176040179]
  予測課題に対する信念をモデルパラメータよりも先に分布させることでどのように表現するかは明らかではない。 我々は、データセットごとのアモートされた変分推論を実行する方法を紹介した。 このユニークなモデルにより、ベイズニューラルネットワークの挙動を、十分に特定された事前条件下で研究することができる。
  論文  参考訳（メタデータ） (2026-02-09T15:24:07Z)
• Neural Lineage [56.34149480207817]
  本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。 実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。 精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
  論文  参考訳（メタデータ） (2024-06-17T01:11:53Z)
• Distilling Symbolic Priors for Concept Learning into Neural Networks [9.915299875869046]
  メタラーニングにより,シンボルベイズモデルから事前分布を蒸留することにより,インダクティブバイアスを人工知能ニューラルネットワークでインスタンス化できることを示す。 このアプローチを用いて、短い論理式として表現された概念に対する帰納的バイアスを持つニューラルネットワークを作成する。
  論文  参考訳（メタデータ） (2024-02-10T20:06:26Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• On Modifying a Neural Network's Perception [3.42658286826597]
  本研究では,人間の定義した概念に対して,人工ニューラルネットワークが知覚しているものを修正する手法を提案する。 提案手法を異なるモデルで検証し、実行された操作がモデルによって適切に解釈されているかどうかを評価し、それらに対してどのように反応するかを解析する。
  論文  参考訳（メタデータ） (2023-03-05T12:09:37Z)
• NCTV: Neural Clamping Toolkit and Visualization for Neural Network Calibration [66.22668336495175]
  ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。 我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
  論文  参考訳（メタデータ） (2022-11-29T15:03:05Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
  モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。 線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。 以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
  論文  参考訳（メタデータ） (2020-10-27T17:56:14Z)
• End-to-end Deep Prototype and Exemplar Models for Predicting Human Behavior [10.361297404586033]
  我々は古典的なプロトタイプと模範モデルを拡張し、生入力から刺激とカテゴリー表現を併用して学習する。 この新しいモデルのクラスは、ディープニューラルネットワーク(DNN)とトレーニングされたエンドツーエンドによってパラメータ化できる。 典型的なDNNと比較して、認知にインスパイアされた両者が、人間の行動により良い本質的な適応と、地道的分類の改善をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-07-17T02:32:17Z)
• Learning from Failure: Training Debiased Classifier from Biased Classifier [76.52804102765931]
  ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。 本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。 本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
  論文  参考訳（メタデータ） (2020-07-06T07:20:29Z)

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。