論文の概要: Hypothesis-guided discovery of cognitive algorithms via program refinement

• arxiv url: http://arxiv.org/abs/2610.02523v1
• Date: Thu, 01 Oct 2026 21:53:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.096308
• Title: Hypothesis-guided discovery of cognitive algorithms via program refinement
• Title（参考訳）: 仮説誘導型プログラム改良による認知アルゴリズムの発見
• Abstract要約: 従来の認知モデリングのアプローチは解釈可能であり、人間の専門知識の恩恵を受けるが、柔軟性とスケーラビリティは欠如している。 本稿では,認知アルゴリズムの発見をプログラム改良問題として扱うハイブリッドシステムを提案する。 我々は,様々な認知アルゴリズムを公開する問題解決パラダイムにおいて,人間の行動に関するパイプラインを評価する。
• 参考スコア（独自算出の注目度）: 2.682358015494044
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Developing cognitive models of algorithmic reasoning from behavioral data is a central problem in cognitive science that challenges current methods. Traditional approaches to cognitive modeling are interpretable and benefit from human expertise, but lack flexibility and scalability. Emerging techniques using large language models (LLMs) for de novo generation of cognitive models are scalable and flexible, but lack a role for human expertise and have mostly been applied to simpler tasks than algorithm recovery. We propose a hybrid system that treats discovery of cognitive algorithms as a program refinement problem. Human-created cognitive models are expressed as probabilistic programs and provided to a system of LLM agents with a mandate to: identify mismatches between model and behavior; propose code-level modifications within researcher-specified constraints; and verify structural fidelity. Revisions propagate to a probabilistic inference module that performs inference for latent variables and data likelihood computations. We evaluate the pipeline on human behavior in a problem-solving paradigm that exposes a variety of cognitive algorithms. Revised models consistently improve model fit relative to ancestral models and reveal a small set of recurring innovations that capture meaningful behavioral variability in this task.
• Abstract（参考訳）: 行動データからアルゴリズム推論の認知モデルを開発することは、現在の手法に挑戦する認知科学の中心的な問題である。 従来の認知モデリングのアプローチは解釈可能であり、人間の専門知識の恩恵を受けるが、柔軟性とスケーラビリティは欠如している。 認知モデルのデノボ生成に大規模言語モデル(LLM)を用いる新興技術は、スケーラブルで柔軟なものであるが、人間の専門知識にはあまり役割がなく、アルゴリズムの回復よりも単純なタスクに主に適用されてきた。 本稿では,認知アルゴリズムの発見をプログラム改良問題として扱うハイブリッドシステムを提案する。 人為的認知モデルは確率的プログラムとして表現され、LLMエージェントのシステムに提供され、モデルと行動のミスマッチを識別し、研究者が特定した制約の中でコードレベルの修正を提案し、構造的忠実さを検証する。 修正は確率的推論モジュールに伝達され、潜伏変数の推論とデータ可能性計算を実行する。 我々は,様々な認知アルゴリズムを公開する問題解決パラダイムにおいて,人間の行動に関するパイプラインを評価する。 改訂されたモデルは、祖先モデルに対するモデル適合性を一貫して改善し、このタスクで有意義な振る舞いの変動を捉えた小さなイノベーションのセットを明らかにします。

関連論文リスト

• Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
  認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。 質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。 これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
  論文  参考訳（メタデータ） (2025-06-03T14:44:48Z)
• Sequence models for by-trial decoding of cognitive strategies from neural data [0.0]
  本稿では,脳波データから認知戦略を復号化するための新しい機械学習手法を提案する。 試行レベルでの認知操作をうまくモデル化することにより、意思決定戦略における動的変動の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2025-04-14T09:33:02Z)
• Generating Computational Cognitive Models using Large Language Models [13.201934636532577]
  我々は、GeCCo(Computational Cognitive Models)のガイド生成のためのパイプラインを導入する。 GeCCo は LLM に候補モデルの提案を促し,データ保持に適合させ,予測性能に基づいて反復的に改良する。 このアプローチを4つの異なる認知領域にわたってベンチマークします。
  論文  参考訳（メタデータ） (2025-02-02T19:07:13Z)
• Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators [7.7227297059345466]
  本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。 我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
  論文  参考訳（メタデータ） (2024-06-20T21:13:39Z)
• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
  エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。 我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
  論文  参考訳（メタデータ） (2023-12-07T03:55:51Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)

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。