論文の概要: BabyTheorist: A Benchmark for Learning to Theorize the World from Observation Alone

• arxiv url: http://arxiv.org/abs/2611.08177v1
• Date: Thu, 05 Nov 2026 15:33:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.564315
• Title: BabyTheorist: A Benchmark for Learning to Theorize the World from Observation Alone
• Title（参考訳）: BabyTheorist: 観察から世界を理論化するためのベンチマーク
• Abstract要約: 観測理論学習の制御と評価のためのベンチマークであるBabyTheoristを紹介する。 BabyTheoristは、隠れた構成プログラムから事前の視覚的観察の連続ストリームを生成する。 理論学習と評価を支援するため、BabyTheoristはプログラム言語、プログラムの複雑さに関するカリキュラム、頻繁なサブプログラムの繰り返し、レベルスキップを伴う連続的なトレインテストプロトコルを制御している。
• 参考スコア（独自算出の注目度）: 16.46862863384773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How would we know whether a machine truly understands the world? We argue that one key capability is \textit{observational theory learning}: acquiring reusable theories from pure observations and applying them to new situations. Current visual reasoning benchmarks focus primarily on the latter, presenting each task as a few-shot puzzle grouped by a common rule. We introduce BabyTheorist, a benchmark for controlled training and evaluation of observational theory learning. BabyTheorist generates continual streams of before-after visual observations from hidden compositional programs; during training, learners see only the resulting transitions, with no program labels, task identities, or support sets. To support theory learning and evaluation, BabyTheorist controls the program language, a curriculum over program complexity, recurring frequent subprograms, and a continual train-test protocol with level skipping. Seven representative baselines plateau well below ceiling, with the gap widening as the curriculum advances---evidence that BabyTheorist isolates a capability current program-learning approaches do not yet address.
• Abstract（参考訳）: マシンが世界を本当に理解しているかどうか、どうすればわかるのか? 我々は、純粋な観測から再利用可能な理論を取得し、それらを新しい状況に適用する「textit{observational theory learning」が重要な能力であると主張している。 現在のビジュアル推論ベンチマークは、主に後者に焦点を当て、各タスクを共通のルールでグループ化された数発のパズルとして提示する。 観測理論学習の制御と評価のためのベンチマークであるBabyTheoristを紹介する。 BabyTheoristは、隠れた構成的プログラムから事前の視覚的観察の連続的なストリームを生成し、学習中に学習者は、プログラムラベル、タスクID、サポートセットなしで、結果の遷移のみを見る。 理論学習と評価を支援するため、BabyTheoristはプログラム言語、プログラムの複雑さに関するカリキュラム、頻繁なサブプログラムの繰り返し、レベルスキップを伴う連続的なトレインテストプロトコルを制御している。 7つの代表的ベースラインが天井よりかなり下にあり、カリキュラムが進むにつれてギャップが広がり、BabyTheoristが現在のプログラム学習アプローチがまだ対応していないことを証明している。

関連論文リスト

• Learn Your Own Thoughts: Abstract Token Curriculum [65.62429022207235]
  抽象トークンカリキュラム(英語:Abstract Token Curriculum、ATC)は、直接の監督や手動のスクラッチパッド設計なしに効果的な継続的中間表現を付与するカリキュラム学習フレームワークである。 ATCは、一連の分布を通して徐々に問題複雑性を増大させ、連続表現空間における「内部抽象的思考」を開発するようモデルを訓練する。
  論文  参考訳（メタデータ） (2026-09-17T05:19:38Z)
• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• The Right Time Matters: Data Arrangement Affects Zero-Shot Generalization in Instruction Tuning [86.19804569376333]
  インストラクションチューニングにおいてゼロショットの一般化は非常に早い段階で起こることを示す。 より基礎的なトレーニングデータアレンジメントフレームワークであるテスト中心型マルチターンアレンジメントを提案する。
  論文  参考訳（メタデータ） (2024-06-17T16:40:21Z)
• Learning to Learn: How to Continuously Teach Humans and Machines [24.29443694991142]
  カリキュラムは、人間と複数の連続機械学習アルゴリズムの学習結果に一貫して影響を与えている。 本稿では,クラス間特徴類似度に基づいてキュリキュラの設計とランク付けを行う,Curriculum Designer (CD) という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-28T15:53:44Z)
• Towards the Generalization of Contrastive Self-Supervised Learning [11.889992921445849]
  本稿では, 自己教師付き事前学習モデルが下流タスクにどのように一般化するかを理論的に説明する。 さらに,SimCLR と Barlow Twins についても検討する。
  論文  参考訳（メタデータ） (2021-11-01T07:39:38Z)
• Unsupervised Domain Adaptation through Iterative Consensus Shift in a Multi-Task Graph [22.308239339243272]
  赤ちゃんは周囲の世界を観察することでほとんど監督なしで学ぶ。 提案するマルチタスクグラフのコンセンサスシフト学習は,専門家モデルが提供する擬似ラベルにのみ依存する。 我々は,Replicaデータセットの重要コントリビューションを実験的に検証し,最小限の監督を伴うマルチタスク学習法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-26T11:57:42Z)
• Can Semantic Labels Assist Self-Supervised Visual Representation Learning? [194.1681088693248]
  近隣環境におけるコントラスト調整(SCAN)という新しいアルゴリズムを提案する。 一連のダウンストリームタスクにおいて、SCANは従来の完全教師付きおよび自己教師付きメソッドよりも優れたパフォーマンスを達成する。 本研究は, セマンティックラベルが自己指導的手法の補助に有用であることを明らかにする。
  論文  参考訳（メタデータ） (2020-11-17T13:25:00Z)
• Learning in the Wild with Incremental Skeptical Gaussian Processes [27.700043183428807]
  ガウス過程(GP)を中心とした懐疑的学習の再考を提案する。 我々の再設計はISGPと呼ばれ、GPが供給する不確実性推定を活用して、ラベル付けと矛盾するクエリをよりよく割り当てる。 合成および実世界のデータを用いた実験では、ISGPは様々なノイズレベルにおいてうまく機能し、新しいクラスが観測される。
  論文  参考訳（メタデータ） (2020-11-02T12:19:47Z)
• Self-supervised Learning: Generative or Contrastive [16.326494162366973]
  自己指導型学習は近年,表現型学習の性能向上に寄与している。 我々は、コンピュータビジョン、自然言語処理、グラフ学習における表現のための新しい自己教師付き学習手法について検討する。
  論文  参考訳（メタデータ） (2020-06-15T08:40:03Z)

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。