کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7285200 1474088 2018 32 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Successful structure learning from observational data
ترجمه فارسی عنوان
یادگیری ساختار موفق از داده های مشاهده شده
کلمات کلیدی
یادگیری سازه علت، استدلال علمی، مدل سازی بیزی،
ترجمه چکیده
کار قبلی نشان می دهد که انسان به سختی می تواند ساختار سیستم های علی را به تنهایی داده های مشاهداتی را یاد بگیرد. ما دو شرایطی را شناسایی می کنیم که از ساختار یادگیری ساختاری موفق می شوند: داده های مشاهداتی را موفق می سازند: اگر سیستم علمی زمینی قطعی است و اگر هر الگو از مشاهدات یک علت اصلی دارد. در چهار آزمایش، ما نشان می دهیم که هر یک از شرایط به تنهایی برای تأمین سطح بالایی از عملکرد کافی است، اما اگر چنین شرایطی نباشد، عملکرد ضعیف است. یک آزمایش پنجم نشان می دهد که نه جبرگرایی و نه ریشه ریزه کاری اولویت بیشتری نسبت به دیگران دارد. داده های ما عموما با یک مدل بیزی است که ترجیح می دهد برای ساختارهایی که داده های مشاهدلی را نه تنها امکان پذیر بلکه امکان پذیر می سازند.
موضوعات مرتبط
علوم زیستی و بیوفناوری علم عصب شناسی علوم اعصاب شناختی
چکیده انگلیسی
Previous work suggests that humans find it difficult to learn the structure of causal systems given observational data alone. We identify two conditions that enable successful structure learning from observational data: people succeed if the underlying causal system is deterministic, and if each pattern of observations has a single root cause. In four experiments, we show that either condition alone is sufficient to enable high levels of performance, but that performance is poor if neither condition applies. A fifth experiment suggests that neither determinism nor root sparsity takes priority over the other. Our data are broadly consistent with a Bayesian model that embodies a preference for structures that make the observed data not only possible but probable.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Cognition - Volume 179, October 2018, Pages 266-297
نویسندگان
, , , ,