論文の概要: Embedding Vector Differences Can Be Aligned With Uncertain Intensional Logic Differences

• arxiv url: http://arxiv.org/abs/2005.12535v1
• Date: Tue, 26 May 2020 06:20:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 23:32:06.338408
• Title: Embedding Vector Differences Can Be Aligned With Uncertain Intensional Logic Differences
• Title（参考訳）: 埋め込みベクトルの差分は不確かさのインテンショナル論理の差分と一致できる
• Authors: Ben Goertzel, Mike Duncan, Debbie Duong, Nil Geisweiller, Hedra Seid, Abdulrahman Semrie, Man Hin Leung, Matthew Ikle'
• Abstract要約: DeepWalkアルゴリズムは、OpenCog AGIシステムにおける知識を表現するために使用されるハイパーグラフをラベル付けしたAtomspaceのノードに埋め込みベクトルを割り当てるために使用される。 埋め込みベクトル間のベクトル差分演算は、埋め込みベクトルに対応するハイパーグラフノード間の「押し込み差分演算」と適切に整合可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The DeepWalk algorithm is used to assign embedding vectors to nodes in the Atomspace weighted, labeled hypergraph that is used to represent knowledge in the OpenCog AGI system, in the context of an application to probabilistic inference regarding the causes of longevity based on data from biological ontologies and genomic analyses. It is shown that vector difference operations between embedding vectors are, in appropriate conditions, approximately alignable with "intensional difference" operations between the hypergraph nodes corresponding to the embedding vectors. This relationship hints at a broader functorial mapping between uncertain intensional logic and vector arithmetic, and opens the door for using embedding vector algebra to guide intensional inference control.
• Abstract（参考訳）: DeepWalkアルゴリズムは、生物学的オントロジーとゲノム解析のデータに基づく長寿の原因に関する確率論的推論への応用の文脈において、OpenCog AGIシステムにおける知識を表現するために使用されるラベル付きハイパーグラフで、Atomスペースのノードに埋め込みベクトルを割り当てるのに使用される。 埋め込みベクトル間のベクトル差分演算は、適切な条件下では、埋め込みベクトルに対応するハイパーグラフノード間の「押し込み差分演算」とほぼ一致可能である。 この関係は不確定なインテンション論理とベクトル演算の間のより広い関手的マッピングを示唆し、埋め込みベクトル代数を用いてインテンション推論制御を導くための扉を開く。

関連論文リスト

• An Ad-hoc graph node vector embedding algorithm for general knowledge graphs using Kinetica-Graph [0.0]
  本稿では,知識グラフ表現から一般的なグラフノードの埋め込みを生成する方法について論じる。 埋め込み空間は、局所親和性とリモート構造関連性の両方を模倣するいくつかのサブ機能から構成される。
  論文  参考訳（メタデータ） (2024-07-22T14:43:10Z)
• Knowledge Composition using Task Vectors with Learned Anisotropic Scaling [51.4661186662329]
  本稿では,パラメータブロックと異なる学習係数を線形に組み合わせ,タスクベクトルレベルでの異方性スケーリングを実現するアルゴリズムであるaTLASを紹介する。 このような線形結合は事前学習されたモデルの低内在性を明示的に利用しており、学習可能なパラメータは数係数のみであることを示す。 本稿では,タスク算術,少数ショット認識,テスト時間適応において,教師なしあるいは教師なしの目的を用いた手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-07-03T07:54:08Z)
• An Intrinsic Vector Heat Network [64.55434397799728]
  本稿では,3次元に埋め込まれた接ベクトル場を学習するためのニューラルネットワークアーキテクチャを提案する。 本研究では, ベクトル値の特徴データを空間的に伝播させるために, トレーニング可能なベクトル熱拡散モジュールを提案する。 また,四面体メッシュ生成の産業的有用性に対する本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-06-14T00:40:31Z)
• Deciphering 'What' and 'Where' Visual Pathways from Spectral Clustering of Layer-Distributed Neural Representations [15.59251297818324]
  本稿では,ニューラルネットワークのアクティベーションに含まれる情報をグループ化する手法を提案する。 すべてのレイヤの機能を利用して、モデルのどの部分が関連する情報を含んでいるのかを推測する必要をなくします。
  論文  参考訳（メタデータ） (2023-12-11T01:20:34Z)
• Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
  グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。 その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。 これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-10-16T19:54:21Z)
• On the Validation of Gibbs Algorithms: Training Datasets, Test Datasets and their Aggregation [70.540936204654]
  Gibbsアルゴリズム(GA)のトレーニングデータへの依存を解析的に特徴付ける。 この記述により、異なるデータセットでトレーニングされたGAのトレーニングエラーとテストエラーを含む明示的な表現の開発が可能になる。
  論文  参考訳（メタデータ） (2023-06-21T16:51:50Z)
• An Algorithm for Routing Vectors in Sequences [0.0]
  本稿では,ベクトルの列を列挙し,指定された長さとベクトルサイズを持つ新しい列を演算するルーティングアルゴリズムを提案する。 各出力ベクトルは「ビット当たりのバン」を最大化し、入力ベクトルをより正確に予測することで、使用に対するネット利益とデータ無視に対するネットコストの差を最大化する。
  論文  参考訳（メタデータ） (2022-11-20T16:20:45Z)
• Leveraging Spatial and Temporal Correlations in Sparsified Mean Estimation [11.602121447683597]
  本研究では,複数のノードに分散したベクトルの集合の平均を中央サーバで推定する問題について検討する。 我々は、サーバが平均値を推定するために使用する復号法を単純に修正することで、これらの相関を利用する。 そこで本研究では,PCA,K-Means,ロジスティック回帰実験とともに,結果の予測誤差の解析を行う。
  論文  参考訳（メタデータ） (2021-10-14T22:24:26Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• Variable Binding for Sparse Distributed Representations: Theory and Applications [4.150085009901543]
  記号推論とニューラルネットワークは、しばしば互換性のないアプローチとみなされる。ベクトル記号アーキテクチャ(VSAs)として知られるコネクショナリストモデルは、このギャップを埋める可能性がある。 VSAsは密度の高い擬似ランダムベクターでシンボルを符号化し、そこで情報はニューロン全体にわたって分散される。 VSAsにおける高密度ベクトル間の変数結合は、次元性を高める演算であるスパースベクトル間のテンソル積結合と数学的に等価であることを示す。
  論文  参考訳（メタデータ） (2020-09-14T20:40:09Z)
• Analyzing Upper Bounds on Mean Absolute Errors for Deep Neural Network Based Vector-to-Vector Regression [79.86233860519621]
  本稿では,ディープニューラルネットワーク(DNN)を用いたベクトル-ベクトル回帰において,平均絶対誤差と期待特徴誤差の間に一般化された誤差(MAE)が存在することを示す。 DNNに基づくベクトル-ベクトル回帰のためのMAEの上界を提案する。
  論文  参考訳（メタデータ） (2020-08-04T19:39:41Z)

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。