論文の概要: Learning Distributional Programs for Relational Autocompletion
- arxiv url: http://arxiv.org/abs/2001.08603v5
- Date: Mon, 5 Jul 2021 14:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 12:36:58.147193
- Title: Learning Distributional Programs for Relational Autocompletion
- Title（参考訳）: リレーショナルオートコンプリートのための学習分布プログラム
- Authors: Kumar Nitesh, Kuzelka Ondrej and De Raedt Luc
- Abstract要約: 我々は、リレーショナルデータ(おそらく欠落データ)からプログラムの構造とパラメータの両方を学ぶためのアプローチとしてDiceMLを紹介した。
DiceMLは統計モデリングと分布節をルール学習と統合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Relational autocompletion is the problem of automatically filling out some
missing values in multi-relational data. We tackle this problem within the
probabilistic logic programming framework of Distributional Clauses (DC), which
supports both discrete and continuous probability distributions. Within this
framework, we introduce DiceML { an approach to learn both the structure and
the parameters of DC programs from relational data (with possibly missing
data). To realize this, DiceML integrates statistical modeling and
distributional clauses with rule learning. The distinguishing features of
DiceML are that it 1) tackles autocompletion in relational data, 2) learns
distributional clauses extended with statistical models, 3) deals with both
discrete and continuous distributions, 4) can exploit background knowledge, and
5) uses an expectation-maximization based algorithm to cope with missing data.
The empirical results show the promise of the approach, even when there is
missing data.
- Abstract（参考訳）: リレーショナルオートコンプリート(relational autocompletion)は、複数のリレーショナルデータに欠けている値を自動的に記入する問題である。
我々は、離散確率分布と連続確率分布の両方をサポートする分布節(dc)の確率論理プログラミングフレームワークの中でこの問題に取り組む。
本フレームワークでは,リレーショナルデータからDCプログラムの構造とパラメータを学習するためのアプローチとして,DiceML { を導入する。
これを実現するために、DiceMLは統計モデリングと分布節とルール学習を統合する。
DiceMLの特徴は、その点にある。
1)関係データの自動補完に取り組む。
2)統計モデルで拡張された分布節を学習する。
3) 離散分布と連続分布の両方を扱う。
4)背景知識を活用でき、
5) データの欠落に対処するために期待最大化に基づくアルゴリズムを用いる。
実証的な結果は、データがない場合でも、アプローチの約束を示す。
関連論文リスト
- Dataset Condensation with Latent Quantile Matching [5.466962214217334]
電流分布マッチング (DM) に基づく直流法は, 合成外乱と実外乱の遅延埋め込みの平均をマッチングすることにより, 合成データセットを学習する。
本稿では,2つの分布間の適合試験統計量の良さを最小化するために,遅延埋め込みの量子化と一致する潜在量子マッチング(LQM)を提案する。
論文 参考訳（メタデータ） (2024-06-14T09:20:44Z) - Universal Metric Learning with Parameter-Efficient Transfer Learning [40.85295050164728]
メトリック学習における一般的なプラクティスは、データセット毎に埋め込みモデルをトレーニングし、テストすることである。
このデータセット固有のアプローチは、複数の異種データの分散を含む実世界のシナリオをシミュレートすることができない。
本稿では,複数のデータ分布にまたがる関係を捉えることのできる統一されたメトリックを学習するUniversal Metric Learning(UML)という,新しいメトリック学習パラダイムを導入する。
論文 参考訳（メタデータ） (2023-09-16T10:34:01Z) - SUMMIT: Source-Free Adaptation of Uni-Modal Models to Multi-Modal
Targets [30.262094419776208]
現在のアプローチでは、ソースデータが適応中に利用可能であり、ソースはペア化されたマルチモーダルデータで構成されていると仮定している。
本稿では,2つの相補的な擬似ラベル融合法を自動選択するスイッチングフレームワークを提案する。
提案手法は,mIoUが競合するベースラインよりも最大12%向上することを示す。
論文 参考訳（メタデータ） (2023-08-23T02:57:58Z) - Learning the joint distribution of two sequences using little or no
paired data [16.189575655434844]
本稿では,2つのシーケンス,例えばテキストと音声のノイズチャネル生成モデルを提案する。
ペア化されたデータの少ないデータでも、大量の未ペアデータが存在する場合の2つのモダリティを関連付けるのに十分であることを示す。
論文 参考訳（メタデータ） (2022-12-06T18:56:15Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-14T05:39:09Z) - Lightweight Data Fusion with Conjugate Mappings [11.760099863897835]
本稿では,構造化確率的グラフィカルモデルの解釈可能性とニューラルネットワークの柔軟性を組み合わせたデータ融合手法を提案する。
提案手法は,2種類の情報を用いた遅延変数の後方解析を重視した軽量データ融合(LDF)である。
論文 参考訳（メタデータ） (2020-11-20T19:47:13Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳（メタデータ） (2020-07-13T03:27:45Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z)
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。