論文の概要: Synthesizing symbolic models of human and machine reasoning at scale

• arxiv url: http://arxiv.org/abs/2611.07088v1
• Date: Wed, 04 Nov 2026 19:51:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.441058
• Title: Synthesizing symbolic models of human and machine reasoning at scale
• Title（参考訳）: 大規模推論における人・機械推論のシンボリックモデル
• Abstract要約: シンボリックモデルは認知の強力な説明を提供するが、その範囲はハンドエンジニアリングと計算的トラクタビリティの必要性によって歴史的に制限されてきた。 人工知能(AI)の進歩がシンボリックモデリングの規模を拡大し、これらの工学的限界を克服するのに役立つことを示す。
• 参考スコア（独自算出の注目度）: 7.53106560692911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic models offer a powerful account of cognition, but their scope has historically been limited by the need for hand-engineering and computational tractability. We show how advances in artificial intelligence (AI) can scale symbolic modeling and help overcome these engineering limitations. We introduce Behavior-Conditioned Symbolic Synthesis (BCSS)---an approach for automated search of interpretable, deterministic symbolic programs that verifiably reproduce behavior---and apply it to model both human and machine behavior across hundreds of challenging reasoning problems. Analyzing these programs reveals that both people and machines tend to oversimplify, adopt rules that are partial explanations for their observations, and misinfer dependencies between problem features. These shared signatures are modulated by available resources, with reasoning effort predicting the extent to which machines simplify and explain their observations. Together, these results point to underlying mechanisms reminiscent of satisficing in both people and machines, and illustrate how BCSS offers a general approach for interpreting and comparing rule-based reasoning of humans and black-box AI systems.
• Abstract（参考訳）: シンボリックモデルは認知の強力な説明を提供するが、その範囲はハンドエンジニアリングと計算的トラクタビリティの必要性によって歴史的に制限されてきた。 人工知能(AI)の進歩がシンボリックモデリングの規模を拡大し、これらの工学的限界を克服するのに役立つことを示す。 本稿では,BCSS(Behavior-Conditioned Symbolic Synthesis)を導入し,動作を検証可能な解釈可能な決定論的記号プログラムの自動探索手法を提案する。 これらのプログラムを分析すると、人と機械の両方が過度に単純化し、観察の部分的な説明であるルールを採用し、問題の特徴間の依存関係を誤って推測する傾向があることが分かる。 これらの共有シグネチャは利用可能なリソースによって変調され、機械が観察を単純化し説明する程度を予測する。 これらの結果は、人間と機械の両方の満足度を思い起こさせるメカニズムを示し、BCSSが、人間とブラックボックスAIシステムのルールベースの推論を解釈し比較するための一般的なアプローチを提供する方法を示している。

関連論文リスト

• Exploring Structures of Inferential Mechanisms through Simplistic Digital Circuits [1.228962043922484]
  認識に関する自然と人工の両方の見解は、明らかに統一された枠組みを欠いている。 シンボリックAIモデリング技術によって誘導される推論機構について考察する。 我々は8つの共通な推論パターンを同定し、従来とは異なる推論機構を統一フレームワークで明らかにした。
  論文  参考訳（メタデータ） (2025-10-27T00:18:25Z)
• Model-Grounded Symbolic Artificial Intelligence Systems Learning and Reasoning with Model-Grounded Symbolic Artificial Intelligence Systems [7.000073566770884]
  ニューロシンボリック人工知能(AI)システムは、ニューラルネットワークと古典的なシンボリックAIメカニズムを組み合わせたシステムである。 従来の学習や推論のパラダイムと構造的類似性を維持する新しい学習・推論手法を開発した。
  論文  参考訳（メタデータ） (2025-07-14T01:34:05Z)
• AI Automatons: AI Systems Intended to Imitate Humans [54.19152688545896]
  人々の行動、仕事、能力、類似性、または人間性を模倣するように設計されたAIシステムが増加している。 このようなAIシステムの研究、設計、展開、可用性は、幅広い法的、倫理的、その他の社会的影響に対する懸念を喚起している。
  論文  参考訳（メタデータ） (2025-03-04T03:55:38Z)
• Mechanistic Interpretability for AI Safety -- A Review [28.427951836334188]
  本稿では,機械的解釈可能性について概説する。 機械的解釈性は、AIシステムがより強力で精査されるにつれて、破滅的な結果を防ぐのに役立つ。
  論文  参考訳（メタデータ） (2024-04-22T11:01:51Z)
• Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
  我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。 我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。 このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
  論文  参考訳（メタデータ） (2023-10-03T05:40:56Z)
• CX-ToM: Counterfactual Explanations with Theory-of-Mind for Enhancing Human Trust in Image Recognition Models [84.32751938563426]
  我々は、深層畳み込みニューラルネットワーク(CNN)による決定を説明するための、新しい説明可能なAI(XAI)フレームワークを提案する。 単発応答として説明を生成するXAIの現在の手法とは対照的に,我々は反復的な通信プロセスとして説明を行う。 本フレームワークは,機械の心と人間の心の相違を媒介し,対話における説明文のシーケンスを生成する。
  論文  参考訳（メタデータ） (2021-09-03T09:46:20Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)
• A general framework for scientifically inspired explanations in AI [76.48625630211943]
  我々は、AIシステムの説明を実装可能な一般的なフレームワークの理論的基盤として、科学的説明の構造の概念をインスタンス化する。 このフレームワークは、AIシステムの"メンタルモデル"を構築するためのツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2020-03-02T10:32:21Z)

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。