論文の概要: Why We Care About Understanding: Competence through Predictive Compression
- arxiv url: http://arxiv.org/abs/2609.04962v1
- Date: Fri, 04 Sep 2026 10:10:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.999612
- Title: Why We Care About Understanding: Competence through Predictive Compression
- Title（参考訳）: 理解に注意する理由:予測圧縮による能力
- Abstract要約: 哲学者は、関係を把握し、説明し、新規性を扱うという観点からの理解を特徴付けてきた。
この論文は2枚の絵を3枚のインターロックで橋渡しする。
それは、AIシステムの調査可能性に光を当てながら、理解の圧縮主義者の魅力と限界の両方を説明する。
- 参考スコア（独自算出の注目度）: 1.0026496861838445
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: What is the relation between understanding and compression, and why does human understanding take such a heavily compressed form? Across information theory, machine learning, and AI research, a substantial tradition identifies understanding with compression-a thought captured in Gregory Chaitin's dictum that "comprehension is compression." Philosophers, by contrast, have characterized understanding in terms of grasping connections, giving explanations, and handling novelty. This paper bridges the two pictures through three interlocking theses. The first concerns the concept of understanding: it serves as an efficient proxy for a distinctive form of robust competence, enabling us to identify whom to trust and whom to learn from. The second concerns the state of understanding: to understand a domain is to possess a mental model of its relational structure that enables prediction, and what enables prediction enables compression, because what becomes predictable need not be stored separately. Compression is therefore not identical with comprehension, but its representational shadow. The third concerns the characteristically human form of understanding: the fiduciary and transmission functions highlighted by the first thesis impose pressures of demonstrability and transmissibility that drive human understanding toward principled simplicity. The resulting framework explains both the appeal and the limits of compressionist accounts of understanding while shedding light on the inscrutability of AI systems.
- Abstract（参考訳）: 理解と圧縮の関係はどのようなもので、なぜ人間の理解はそのような高度に圧縮された形式を取るのか?
情報理論、機械学習、AI研究全般において、グレゴリー・シャイティンの独裁で捉えた「圧縮は圧縮である」という認識を、かなりの伝統で認識している。
対照的に哲学者は、関係を把握し、説明し、新奇性を扱うという観点からの理解を特徴付けてきた。
この論文は2枚の絵を3枚のインターロックで橋渡しする。
ひとつは理解の概念に関するものです – 独特な強力な能力の形の効率的なプロキシとして機能し、誰が信頼できるのか、誰から学ぶのかを特定できます。
ドメインを理解するためには、予測を可能にするリレーショナル構造のメンタルモデルを持つことと、予測可能なものは別々に保存する必要がなくなるため、予測が圧縮を可能にすることである。
したがって、圧縮は理解と同一ではなく、表現の影である。
第一の論文で強調された機能と伝達関数は、人間の理解を原則化された単純さへと導く、実証可能性と透過性のプレッシャーを課している。
その結果生まれたフレームワークは、AIシステムの調査可能性に光を当てながら、理解に関する圧縮主義者の魅力と限界の両方を説明します。
関連論文リスト
- There Will Be a Scientific Theory of Deep Learning [62.690977616250954]
我々は、深層学習の科学的理論が出現しつつあることを主張する。
我々は、そのような理論を導く5つの成長する仕事の体を同定する。
我々は、新しい理論は学習過程の力学と考えるのが一番良いと論じる。
論文 参考訳（メタデータ） (2026-04-23T13:58:12Z) - How do Transformers Learn Implicit Reasoning? [67.02072851088637]
制御されたシンボリック環境下でトランスフォーマーをスクラッチからトレーニングすることで、暗黙のマルチホップ推論がどのように現れるかを研究する。
原子三重項によるトレーニングは必要ではなく学習を加速し,第2ホップの一般化は特定の構成構造へのクエリレベル露出に依存する。
論文 参考訳（メタデータ） (2025-05-29T17:02:49Z) - Explainers' Mental Representations of Explainees' Needs in Everyday Explanations [0.0]
説明において、説明者は説明者の知識の発達と説明に関する関心の変化を精神的に表現する。
XAIは、同様の方法で説明者の要求に反応できるべきです。
本研究では,工芸品の日常的説明における説明者の心的表現について検討した。
論文 参考訳（メタデータ） (2024-11-13T10:53:07Z) - 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) - Interpretability is in the Mind of the Beholder: A Causal Framework for
Human-interpretable Representation Learning [22.201878275784246]
説明可能なAIは、入力機能などの低レベル要素の観点から定義された説明から、データから学んだ解釈可能な概念でエンコードされた説明へとシフトしている。
しかし、そのような概念を確実に取得する方法は、基本的には不明確である。
ポストホックな説明器と概念に基づくニューラルネットワークの両方に適した解釈可能な表現を得るための数学的枠組みを提案する。
論文 参考訳（メタデータ） (2023-09-14T14:26:20Z) - Diagnosing AI Explanation Methods with Folk Concepts of Behavior [70.10183435379162]
我々は「成功」は、その説明がどんな情報を含むかだけでなく、人間の説明者がどのような情報から理解するかにも依存すると考えている。
我々は、人間の説明による社会的帰属の枠組みとして、行動の民意的概念を用いる。
論文 参考訳（メタデータ） (2022-01-27T00:19:41Z) - Explainability Is in the Mind of the Beholder: Establishing the
Foundations of Explainable Artificial Intelligence [11.472707084860875]
我々は、背景知識に基づいて解釈された透明な洞察(ブラックボックス)に適用する(論理的)推論として説明可能性を定義する。
我々は、透明性と予測力のトレードオフを再考し、アンテホックやポストホックの解説者への影響について述べる。
我々は、人間中心の説明可能性からさまざまなアイデアに基づいて、解釈可能性を必要とするかもしれない機械学習ワークフローのコンポーネントについて論じる。
論文 参考訳（メタデータ） (2021-12-29T09:21:33Z) - 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) - 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) - Generating Commonsense Explanation by Extracting Bridge Concepts from
Reasoning Paths [128.13034600968257]
本稿では、まず、推論チェーンでテキストブリッジとして機能する基礎概念を抽出する手法を提案する。
推論プロセスを容易にするために,文と橋梁の概念の関連性を構築するために,外部コモンセンス知識を利用する。
橋梁の概念抽出モデルを設計し,まず三重奏を採点し,その経路を導出し,さらに弱い監督で橋梁の概念を選定する。
論文 参考訳（メタデータ） (2020-09-24T15:27:20Z) - Improving Machine Reading Comprehension with Contextualized Commonsense
Knowledge [62.46091695615262]
我々は、機械読解の理解を改善するために、常識知識を抽出することを目指している。
構造化知識を文脈内に配置することで,関係を暗黙的に表現することを提案する。
我々は,教師の学習パラダイムを用いて,複数種類の文脈的知識を学生機械読取機に注入する。
論文 参考訳（メタデータ） (2020-09-12T17:20:01Z)
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。