Relation-Oriented: Toward Knowledge-Aligned Causal AI

要約

この研究では、独自の次元の観点から関係学習にアプローチすることにより、一般的な観察指向モデリング パラダイムに内在する限界を検証します。
このパラダイムでは、関係を定義する前にモデリング オブジェクトを特定し、モデルを観察空間に限定し、時間的特徴へのアクセスを制限する必要があります。
単一の絶対タイムラインに依存すると、多くの場合、時間特徴空間の多次元の性質を見落とすことになります。
この見落としにより、モデルの堅牢性と一般化性が損なわれ、AI の不整合の問題に大きく寄与します。
この研究は、人間の認知の関係中心の本質に基づいて、広範な有効性実験によって裏付けられた、方法論上の対応物である関係定義表現学習によって補完された、新しい関係指向パラダイムを提示します。

要約(オリジナル)

This study examines the inherent limitations of the prevailing Observation-Oriented modeling paradigm by approaching relationship learning from a unique dimensionality perspective. This paradigm necessitates the identification of modeling objects prior to defining relations, confining models to observational space, and limiting their access to temporal features. Relying on a singular, absolute timeline often leads to an oversight of the multi-dimensional nature of the temporal feature space. This oversight compromises model robustness and generalizability, contributing significantly to the AI misalignment issue. Drawing from the relation-centric essence of human cognition, this study presents a new Relation-Oriented paradigm, complemented by its methodological counterpart, the relation-defined representation learning, supported by extensive efficacy experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google