Relation-Oriented: Toward Causal Knowledge-Aligned AI

要約

この研究では、独自の次元の観点から関係モデリングを理解することにより、一般的な観察指向の学習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、動的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ことで、時間的特徴空間の多次元の性質が無視されることが多く、構造的因果モデルの堅牢性と一般化可能性が損なわれ、AI の位置ずれの問題に大きく寄与します。
人間の認知の関係中心の本質に基づいて、この研究は新しい関係指向のパラダイムを提示します。
広範な有効性実験によって裏付けられたこのパラダイムと、その方法論上の対応物である関係定義表現学習は、確立された知識に基づいて解釈可能な AI を構築することを目的としています。

要約(オリジナル)

This study examines the inherent limitations of the prevailing Observation-Oriented learning paradigm by understanding relationship modeling 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 dynamical temporal features. By relying on a singular, absolute timeline, it often neglects the multi-dimensional nature of the temporal feature space, compromising the robustness and generalizability of structural causal models and contributing significantly to the AI misalignment issue. Drawing from the relation-centric essence of human cognition, this study presents a new Relation-Oriented paradigm. Supported by extensive efficacy experiments, this paradigm, and its methodological counterpart, relation-defined representation learning, aim to construct interpretable AI grounded in established knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google