論文の概要: Machine Education: Designing semantically ordered and ontologically
guided modular neural networks
- arxiv url: http://arxiv.org/abs/2002.03841v1
- Date: Fri, 7 Feb 2020 09:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 05:02:49.229310
- Title: Machine Education: Designing semantically ordered and ontologically
guided modular neural networks
- Title(参考訳): 機械教育:意味論的順序付けと存在論的誘導型モジュール型ニューラルネットワークの設計
- Authors: Hussein A. Abbass, Sondoss Elsawah, Eleni Petraki, Robert Hunjet
- Abstract要約: まず、機械教育と教育に関する選択された試みについて論じる。
次に、人的教育から構造へ理論と方法論を結合させ、機械教育の授業設計における中核的な問題を数学的に定義する。
- 参考スコア(独自算出の注目度): 5.018156030818882
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The literature on machine teaching, machine education, and curriculum design
for machines is in its infancy with sparse papers on the topic primarily
focusing on data and model engineering factors to improve machine learning. In
this paper, we first discuss selected attempts to date on machine teaching and
education. We then bring theories and methodologies together from human
education to structure and mathematically define the core problems in lesson
design for machine education and the modelling approaches required to support
the steps for machine education. Last, but not least, we offer an
ontology-based methodology to guide the development of lesson plans to produce
transparent and explainable modular learning machines, including neural
networks.
- Abstract(参考訳): 機械の教育、機械教育、カリキュラムデザインに関する文献は、機械学習を改善するために主にデータとモデル工学の要素に焦点を当てた論文を控えて、まだ初期段階にある。
本稿では,まず,機械教育と教育の日程選択の試みについて論じる。
次に、人間教育から機械教育における授業設計の核となる問題と、機械教育のステップを支援するのに必要なモデリングアプローチを構造化し、数学的に定義する理論と方法論を組み合わせる。
最後に、ニューラルネットワークを含む透明で説明可能なモジュール型学習マシンを開発するためのレッスンプランの開発を指導するオントロジーベースの方法論を提供する。
関連論文リスト
- A Systems Theoretic Approach to Online Machine Learning [3.6458439734112695]
オンライン学習の機械学習の定式化は、システム理論の観点からは不完全である。
このフレームワークはインプット・アウトプット・システムの観点から定式化され、さらにシステム構造とシステム挙動に分けられる。
この研究は、システム行動特性の一部として、コンセプトドリフトに正式にアプローチする。
論文 参考訳(メタデータ) (2024-04-04T19:36:47Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Feminist epistemology for machine learning systems design [0.0]
本稿では,機械学習システム設計における批判的,説明的,文脈的アプローチを開発するためのツールとして,フェミニストの一連の概念を提案する。
すなわち, 機械学習システム設計の分野で, 知識の配置, フィギュレーション, フィギュレーション, フィギュレーション, 回折, 回折, および批判的拡散, 投機が生産的に実現可能であることを示唆する。
論文 参考訳(メタデータ) (2023-10-19T13:01:37Z) - Foundations and Recent Trends in Multimodal Machine Learning:
Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。
本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。
最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文 参考訳(メタデータ) (2022-09-07T19:21:19Z) - Towards Machine Learning for Placement and Routing in Chip Design: a
Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。
機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文 参考訳(メタデータ) (2022-02-28T06:28:44Z) - Pairing Conceptual Modeling with Machine Learning [1.7767466724342065]
機械学習の基礎と開発サイクルの概要を提供する。
データサイエンスプロジェクトに概念モデリングを組み込むためのフレームワークを提案する。
逆ペアリングでは、機械学習は、知識グラフだけでなく、テキストやルールマイニングを通じて概念モデリングに影響を与える可能性がある。
論文 参考訳(メタデータ) (2021-06-27T15:06:59Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳(メタデータ) (2021-05-29T21:02:44Z) - Machine learning and deep learning [0.0]
機械学習は、問題固有のトレーニングデータから学習するシステムの能力を記述する。
ディープラーニングは、人工ニューラルネットワークに基づく機械学習の概念である。
論文 参考訳(メタデータ) (2021-04-12T09:54:12Z) - Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。
本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文 参考訳(メタデータ) (2021-03-22T12:42:16Z) - SELM: Software Engineering of Machine Learning Models [0.19116784879310023]
本稿では,機械学習モデルのソフトウェア工学のためのSELMフレームワークについて述べる。
SELMフレームワークを使うことで、機械学習プロセスの効率を改善し、学習の精度を高めることができる。
この問題は、機械学習に対する学際的アプローチの重要性を強調している。
論文 参考訳(メタデータ) (2021-03-20T21:43:24Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳(メタデータ) (2020-03-11T08:25:49Z)
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。