論文の概要: Construction and Elicitation of a Black Box Model in the Game of Bridge
- arxiv url: http://arxiv.org/abs/2005.01633v2
- Date: Mon, 4 Apr 2022 06:34:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:05:19.462435
- Title: Construction and Elicitation of a Black Box Model in the Game of Bridge
- Title(参考訳): ブリッジゲームにおけるブラックボックスモデルの構築と解明
- Authors: V\'eronique Ventos, Daniel Braun, Colin Deheeger, Jean Pierre
Desmoulins, Jean Baptiste Fantun, Swann Legras, Alexis Rimbaud, C\'eline
Rouveirol, Henry Soldano and Sol\`ene Th\'epaut
- Abstract要約: 決定問題に対する一連の例を作成し、各例に決定を関連付けるためにシミュレーションを使用します。
ドメインエキスパートとデータサイエンティストを共同で分析し、学習言語を改善する。
- 参考スコア(独自算出の注目度): 0.04063140930954483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of building a decision model for a specific bidding
situation in the game of Bridge. We propose the following multi-step
methodology i) Build a set of examples for the decision problem and use
simulations to associate a decision to each example ii) Use supervised
relational learning to build an accurate and readable model iii) Perform a
joint analysis between domain experts and data scientists to improve the
learning language, including the production by experts of a handmade model iv)
Build a better, more readable and accurate model.
- Abstract(参考訳): ブリッジゲームにおいて,特定の入札状況に対する意思決定モデルを構築する問題に対処する。
マルチステップ方式を提案する。
一 決定問題の例の組を作り、各例に決定を関連付けるためにシミュレーションを利用する
二 教師付き関係学習を用いて正確かつ読みやすいモデルを構築すること。
三 ドメインエキスパートとデータサイエンティストの合同分析を行い、手作りモデルのエキスパートによる生産を含む学習言語の改善を図ること。
iv) より良く、より読みやすく、正確なモデルを構築すること。
関連論文リスト
- Mixture-of-Linguistic-Experts Adapters for Improving and Interpreting
Pre-trained Language Models [22.977852629450346]
本稿では,言語モデルに言語構造を注入することで,2つの人気のある研究領域を組み合わせる手法を提案する。
本研究では,異なる言語構造をコードする並列アダプタモジュールを,Mixture-of-Linguistic-Expertsアーキテクチャを用いて組み合わせる。
実験の結果,本手法はパラメータ数に比較して,最先端のPEFT法より優れていることがわかった。
論文 参考訳(メタデータ) (2023-10-24T23:29:06Z) - Getting MoRE out of Mixture of Language Model Reasoning Experts [71.61176122960464]
多様な特殊言語モデルを組み込んだMixture-of-Reasoning-Experts (MoRE) フレームワークを提案する。
実例,マルチホップ,数学的,コモンセンス推論など,さまざまな推論カテゴリに最適化されたプロンプトを備えたバックボーン言語モデルを特化する。
人間の研究では、専門家による予測と回答の選択プロセスが、アノテータがシステムの出力を信頼するタイミングをより正確に調整するのに役立ちます。
論文 参考訳(メタデータ) (2023-05-24T02:00:51Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳(メタデータ) (2023-03-03T21:41:01Z) - A Data-Driven Modeling and Control Framework for Physics-Based Building
Emulators [59.821144959060305]
物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。
a)モデル評価を高速化し、安価な勾配を提供し、モデル予測制御(MPC)の後退地平線に対して良好な予測精度を有する、微分可能な代理モデルのオフライントレーニング。
BOPTEST(Building Optimization Testing Framework)において、複数のサロゲートモデルと異なるテストケースに対する最適化フレームワークを用いて、モデリングおよび制御性能を広範囲に検証する。
論文 参考訳(メタデータ) (2023-01-31T06:55:19Z) - Using Shape Metrics to Describe 2D Data Points [0.0]
本稿では,2次元データを記述するために形状計測を用いて,解析をより説明しやすく解釈可能にすることを提案する。
これは、説明可能性の権利が不可欠である医療コミュニティにおける応用において特に重要である。
論文 参考訳(メタデータ) (2022-01-27T23:28:42Z) - Problem-fluent models for complex decision-making in autonomous
materials research [0.0]
機械学習手法とモデルの結合と、より問題対応のモデリングを強調します。
我々は,多数の自律材料プラットフォームが採用する閉ループ設計のための一般ベイズ的枠組みを概観する。
論文 参考訳(メタデータ) (2021-03-13T19:23:40Z) - Forethought and Hindsight in Credit Assignment [62.05690959741223]
我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。
本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
論文 参考訳(メタデータ) (2020-10-26T16:00:47Z) - Towards Interpretable Reasoning over Paragraph Effects in Situation [126.65672196760345]
我々は,原因と効果を理解するためのモデルを必要とする状況において,段落効果を推論する作業に焦点をあてる。
本稿では,ニューラルネットワークモジュールを用いた推論プロセスの各ステップを明示的にモデル化する逐次的手法を提案する。
特に、5つの推論モジュールはエンドツーエンドで設計され、学習され、より解釈可能なモデルにつながる。
論文 参考訳(メタデータ) (2020-10-03T04:03:52Z) - Enhancing Dialogue Generation via Multi-Level Contrastive Learning [57.005432249952406]
質問に対する応答のきめ細かい品質をモデル化するマルチレベルコントラスト学習パラダイムを提案する。
Rank-aware (RC) ネットワークはマルチレベルコントラスト最適化の目的を構築するために設計されている。
本研究では,知識推論(KI)コンポーネントを構築し,学習中の参照からキーワードの知識を抽出し,そのような情報を活用して情報的単語の生成を促す。
論文 参考訳(メタデータ) (2020-09-19T02:41:04Z) - DECE: Decision Explorer with Counterfactual Explanations for Machine
Learning Models [36.50754934147469]
我々は,機械学習モデルの振る舞いを理解し,探索するために,反実的説明の可能性を利用する。
我々は、個別のインスタンスとデータサブセットに関するモデルの判断を理解し、調査するのに役立つインタラクティブな可視化システムであるDECEを設計する。
論文 参考訳(メタデータ) (2020-08-19T09:44:47Z)
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。