Fugu-MT 論文翻訳(概要): CauProphet: Teaching Agents to Develop Causal Cognition like Humans

論文の概要: CauProphet: Teaching Agents to Develop Causal Cognition like Humans

arxiv url: http://arxiv.org/abs/2610.32477v1
Date: Fri, 23 Oct 2026 10:45:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 01:38:06.499002
Title: CauProphet: Teaching Agents to Develop Causal Cognition like Humans
Title（参考訳）: Cau Prophet:人間のような因果認知を発達させるエージェント
Abstract要約: CauProphetはCausal Cognition内で因果知識を開発・更新するエージェントである。カウプロフェートはカウサル・コグニオン(Causal Cognition)の関連する知識と現在の証拠を使ってカウサル・ブリーフ(Causal Belief)を構築する。評価は、CauProphetが因果的知識を徐々に獲得し、それを将来の意思決定に転送することを示している。
参考スコア（独自算出の注目度）: 22.061467800003996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large language model (LLM) agents increasingly support long-horizon tasks by leveraging external memory and past experience. However, existing agents mainly retrieve records or summaries, lacking the ability to form and refine causal understanding of the world. Inspired by human causal cognition, we introduce CauProphet, an agent that develops and updates causal knowledge within its Causal Cognition. For each task, CauProphet combines relevant knowledge in Causal Cognition with current evidence to construct a Causal Belief, a structured belief capturing causal factors and the effects of possible actions. It uses this belief for decision-making and continuously updates both the belief and Causal Cognition as new observations emerge, enabling causal knowledge that persists beyond individual experiences. Evaluations demonstrate that CauProphet progressively acquires causal knowledge and transfers it to future decision-making. In financial research, CauProphet leverages prior discoveries to improve downstream analyses and outperforms all baselines in mean rank correlation with next-day returns, achieving a 25.4% improvement over a baseline agent. It also improves prediction accuracy from 21.3% to 28.6% in dynamic real-world settings. Further experiments validate its ability to perform reliable causal analysis and action selection across scientific and everyday tasks, demonstrating the potential of causal experience learning for next-generation LLM agents.
Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、外部メモリと過去の経験を活用することで、より長い水平タスクをサポートするようになった。しかし、既存のエージェントは、主に記録や要約を回収し、世界の因果的理解を形成・洗練する能力に欠ける。人間の因果認知にインスパイアされた私たちは、因果認知の中で因果知識を開発し更新するエージェントであるCauProphetを紹介します。それぞれのタスクについて、カウプロフェートは因果認識における関連する知識と現在の証拠を組み合わせて因果的要因を捉える構造的信念、および可能な行動の効果を定めている。それはこの信念を意思決定に利用し、新しい観察が出現するにつれて、信念と因果認知の両方を継続的に更新し、個々の経験を超えて続く因果的知識を可能にする。評価は、CauProphetが因果的知識を徐々に獲得し、それを将来の意思決定に転送することを示している。金融研究では、CauProphetは以前の発見を活用して下流の分析を改善し、全ての基準線を翌日のリターンと平均ランク相関で上回り、ベースラインエージェントよりも25.4%改善している。予測精度も21.3%から28.6%に向上している。さらなる実験では、科学的および日常的なタスクにまたがって信頼できる因果分析と行動選択を行う能力を検証するとともに、次世代LLMエージェントの因果経験学習の可能性を示す。

関連論文リスト

CausalGame: Benchmarking Causal Thinking of LLM Agents in Games [55.189910630332065]
CausalGameは、AI Scientistsの因果思考能力を評価するためのベンチマークである。選択バイアス、測定エラー、隠れた共同設立者を含む14のシナリオを設計します。最高のモデルは78-85%の分析最適値に対して68.0%しか生存できず、セッションの5-7%は因果推論するルーリックのクレジットを受け取っている。
論文参考訳（メタデータ） (2026-07-05T13:08:51Z)
The Causally Emergent Alignment Hypothesis: Causal Emergence Aligns with and Predicts Final Reward in Reinforcement Learning Agents [1.0742675209112622]
因果的出現は、エージェントがその将来に固有の予測力を発揮する度合いを測定する。近年の発見によると、生物学的エージェントは、最小限のエージェントでさえ、新しい記憶を学習した後、因果関係の出現を増大させる。本研究では,ニューラルネットワークエージェントの環境条件に対する強化学習に着目した。
論文参考訳（メタデータ） (2026-05-07T15:00:51Z)
CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad [72.197582948888]
本研究では,Large Language Models (LLMs) を利用した因果スクラッチパッドを備えたCausalEvolveを開発した。 CaulEvolveはまず、目標目標を改善するための補完的なインスピレーションを提供する結果レベルの要因を特定します。進化の過程では、CausalEvolveは進化中の驚きのパターンを検査し、新たな要因を仮説化することで、新たな方向性を提供する。
論文参考訳（メタデータ） (2026-03-15T19:53:31Z)
Do Large Language Models Show Biases in Causal Learning? Insights from Contingency Judgment [0.1547863211792184]
因果学習は因果推論を行う能力を開発するための認知過程である。このプロセスは、因果関係の錯覚のような誤りや偏見がちである。この認知バイアスは多くの社会的問題を解決するために提案されている。
論文参考訳（メタデータ） (2025-10-15T18:09:00Z)
When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。最初の大規模人間実験(N=118)を行い,その測定を行った。 2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
論文参考訳（メタデータ） (2025-06-05T20:48:16Z)
On the Reliability of Large Language Models for Causal Discovery [55.94868919310357]
本研究では,因果発見におけるLarge Language Models(LLMs)の有効性について検討した。我々は,新たに利用可能なオープンソースLLM,OLMo,BLOOMを用いて,事前学習コーパスへのアクセスを行う。 i) 正確な因果関係予測のための暗記の影響, (ii) 事前学習データにおける誤った因果関係の影響, (iii) LLMの因果関係に対する理解に影響を与える文脈的ニュアンスについて検討した。
論文参考訳（メタデータ） (2024-07-29T01:45:05Z)
CELLO: Causal Evaluation of Large Vision-Language Models [9.928321287432365]
因果推論は人間の知性の基本であり、現実世界の環境における効果的な意思決定に不可欠である。我々は,人間と物体の相互作用を含む因果関係の微細で統一的な定義を導入する。我々は,4段階の因果関係に関する14,094の因果関係質問からなる新しいデータセットであるCellOを構築した。
論文参考訳（メタデータ） (2024-06-27T12:34:52Z)
Discovering and Reasoning of Causality in the Hidden World with Large Language Models [109.62442253177376]
我々はCausal representatiOn AssistanT(COAT)と呼ばれる新しいフレームワークを開発し、因果発見に有用な測定変数を提案する。大規模言語モデル (LLM) と因果関係を直接推論する代わりに、COAT は中間因果発見結果から LLM へのフィードバックを構築し、提案した変数を洗練させる。
論文参考訳（メタデータ） (2024-02-06T12:18:54Z)
Evaluation of Induced Expert Knowledge in Causal Structure Learning by NOTEARS [1.5469452301122175]
非パラメトリックNOTEARSモデルの定式化に使用される追加制約の形で、専門家の知識が因果関係に与える影響について検討する。その結果, (i) NOTEARSモデルの誤りを正す知識は, 統計的に有意な改善をもたらすこと, (ii) アクティブエッジに対する制約は, 非アクティブエッジよりも因果発見に肯定的な影響を与えること, (iii) 意外なことに, (iii) 誘導された知識は, 平均的な不正確なアクティブエッジおよび/または非アクティブエッジに対して予想以上に正確でないことが判明した。
論文参考訳（メタデータ） (2023-01-04T20:39:39Z)

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。