論文の概要: A Layered Learning Approach to Scaling in Learning Classifier Systems for Boolean Problems

• arxiv url: http://arxiv.org/abs/2006.01415v1
• Date: Tue, 2 Jun 2020 06:43:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 23:18:45.713611
• Title: A Layered Learning Approach to Scaling in Learning Classifier Systems for Boolean Problems
• Title（参考訳）: ブール問題に対する階層型学習手法による学習分類器システムのスケーリング
• Authors: Isidro M. Alvarez, Trung B. Nguyen, Will N. Browne, Mengjie Zhang
• Abstract要約: 我々はXCSCF*の改良を提案し、複数の問題領域にまたがる堅牢性を実現する。 このシステムは、個々の n-bit Multiplexer、n-bit Carry-one、n-bit Majority-on、n-bit Even-parity 問題を解くことができる。
• 参考スコア（独自算出の注目度）: 2.717156866211161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning classifier systems (LCSs) originated from cognitive-science research but migrated such that LCS became powerful classification techniques. Modern LCSs can be used to extract building blocks of knowledge to solve more difficult problems in the same or a related domain. Recent works on LCSs showed that the knowledge reuse through the adoption of Code Fragments, GP-like tree-based programs, into LCSs could provide advances in scaling. However, since solving hard problems often requires constructing high-level building blocks, which also results in an intractable search space, a limit of scaling will eventually be reached. Inspired by human problem-solving abilities, XCSCF* can reuse learned knowledge and learned functionality to scale to complex problems by transferring them from simpler problems using layered learning. However, this method was unrefined and suited to only the Multiplexer problem domain. In this paper, we propose improvements to XCSCF* to enable it to be robust across multiple problem domains. This is demonstrated on the benchmarks Multiplexer, Carry-one, Majority-on, and Even-parity domains. The required base axioms necessary for learning are proposed, methods for transfer learning in LCSs developed and learning recast as a decomposition into a series of subordinate problems. Results show that from a conventional tabula rasa, with only a vague notion of what subordinate problems might be relevant, it is possible to capture the general logic behind the tested domains, so the advanced system is capable of solving any individual n-bit Multiplexer, n-bit Carry-one, n-bit Majority-on, or n-bit Even-parity problem.
• Abstract（参考訳）: 学習分類器システム(LCS)は認知科学研究に由来するが、LCSが強力な分類技術となるように移行した。 現代のLCSは、同じドメインや関連するドメインでより難しい問題を解決するために、知識の構成要素を抽出するために使用することができる。 LCSに関する最近の研究は、GPのようなツリーベースのプログラムであるCode FragmentsをLCSに導入することで、知識の再利用がスケーリングの進歩をもたらすことを示した。 しかし、難解な問題を解くには、しばしば高レベルなビルディングブロックを構築する必要があるため、難解な探索空間も生じるため、最終的にスケーリングの限界に達する。 人間の問題解決能力にインスパイアされたXCSCF*は、学習した知識と学習した機能を再利用して複雑な問題にスケールすることができる。 しかし、この方法は未定義であり、Multiplexer問題領域のみに適している。 本稿では,複数の問題領域にまたがる堅牢性を実現するため,XCSCF*の改良を提案する。 これはベンチマークのMultiplexer, Carry-one, Majority-on, Even-parityドメインで実証されている。 学習に必要な基本公理,LCSにおける伝達学習の方法,および一連の下位問題への分解として再キャストを学習する手法を提案する。 従来のタブラララサでは、従属問題が何を意味するかという曖昧な概念しか持たず、テスト領域の裏にある一般的な論理を捉えることが可能であり、高度なシステムは個々の n ビット多重化器、n ビットキャリーワン、n ビットマジョリティオン、n ビットイブパリティ問題を解くことができる。

関連論文リスト

• Multi-Agent Environments for Vehicle Routing Problems [1.0179489519625304]
  本稿では,従来の車両ルーティング問題をシミュレートするマルチエージェント環境からなるライブラリを提案する。 PyTorch上に構築されたこのライブラリは、新しいルーティング問題のカスタマイズと導入を容易にする、柔軟なモジュラーアーキテクチャ設計を提供する。
  論文  参考訳（メタデータ） (2024-11-21T18:46:23Z)
• CLOSER: Towards Better Representation Learning for Few-Shot Class-Incremental Learning [52.63674911541416]
  FSCIL(Few-shot class-incremental Learning)は、過剰適合や忘れなど、いくつかの課題に直面している。 FSCILの独特な課題に取り組むため、ベースクラスでの表現学習に重点を置いている。 より制限された機能空間内で機能の拡散を確保することで、学習された表現が、伝達可能性と識別可能性のバランスを良くすることが可能になることが分かりました。
  論文  参考訳（メタデータ） (2024-10-08T02:23:16Z)
• Versatile Incremental Learning: Towards Class and Domain-Agnostic Incremental Learning [16.318126586825734]
  インクリメンタルラーニング(IL)は、逐次入力タスクから知識を蓄積することを目的としている。 私たちはVersatile Incremental Learning (VIL) という,より挑戦的で現実的で,未探索のILシナリオを考えています。 Incremental with Shift cONtrol (ICON) という,シンプルで効果的なILフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-17T07:44:28Z)
• Improving Complex Reasoning over Knowledge Graph with Logic-Aware Curriculum Tuning [89.89857766491475]
  大規模言語モデル(LLM)に基づくKG上の複雑な推論スキーマを提案する。 任意の一階論理クエリを二分木分解により拡張し、LLMの推論能力を刺激する。 広く使われているデータセットに対する実験では、LACTは高度な手法よりも大幅に改善されている(平均+5.5% MRRスコア)。
  論文  参考訳（メタデータ） (2024-05-02T18:12:08Z)
• A General Framework for Learning from Weak Supervision [93.89870459388185]
  本稿では、新しいアルゴリズムを用いて、弱監督(GLWS)から学習するための一般的な枠組みを紹介する。 GLWSの中心は期待最大化(EM)の定式化であり、様々な弱い監督源を順応的に収容している。 また,EM計算要求を大幅に単純化する高度なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-02T21:48:50Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Modular Neural Network Approaches for Surgical Image Recognition [0.0]
  本稿では,DCSS不安定性分類のためのモジュール型学習の異なるアーキテクチャを導入,評価する。 実験の結果,モジュール型学習は非モジュール型システムと比較して性能が向上することがわかった。 第2部では,肩関節鏡画像への自己訓練によるデータラベリングとセグメンテーションのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-17T22:28:16Z)
• AMS-Net: Adaptive Multiscale Sparse Neural Network with Interpretable Basis Expansion for Multiphase Flow Problems [8.991619150027267]
  本研究では、物理過程の学習に応用可能な適応スパース学習アルゴリズムを提案し、大きなスナップショット空間を与えられた解のスパース表現を得る。 基本関数の情報は損失関数に組み込まれており、複数の時間ステップにおけるダウンスケール縮小次数解と参照解との差を最小限に抑える。 複雑なアプリケーションにおける提案手法の有効性と解釈性を示すため, 2相多相流問題に対してより数値的な実験を行った。
  論文  参考訳（メタデータ） (2022-07-24T13:12:43Z)
• Provable Reinforcement Learning with a Short-Term Memory [68.00677878812908]
  我々はPMDPsの新しいサブクラスについて研究し、その潜在状態は、最近の短い長さ$m$の履歴によって復号化することができる。 特に、リッチ・オブザーブレーション・セッティングにおいて、指数関数的にスケールするサンプル複雑性を持つ新しい「モーメントマッチング」アプローチを用いて、新しいアルゴリズムを開発する。 以上の結果から,これらの環境下での強化学習には短期記憶が十分であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T16:39:57Z)
• Scalable Causal Transfer Learning [2.0101299300594495]
  本論文では,ソースドメインとターゲットドメインにまたがる不変因果的特徴を特定するアルゴリズムSCTLを提案する。 SCTLは、因果構造、介入の種類、または介入対象に関する事前の知識を必要としない。 SCTLに固有の局所性があり、SCTLを実際にスケーラブルで堅牢にする。
  論文  参考訳（メタデータ） (2021-02-27T06:25:06Z)
• CATCH: Context-based Meta Reinforcement Learning for Transferrable Architecture Search [102.67142711824748]
  CATCHは、転送可能なarChitecture searcHのための、Context-bAsed meTa強化学習アルゴリズムである。 メタラーニングとRLの組み合わせにより、CATCHは検索空間に依存しないまま、新しいタスクに効率的に適応できる。 また、ImageNet、COCO、Cityscapesの競合ネットワークとしてクロスドメインアーキテクチャサーチを扱うこともできる。
  論文  参考訳（メタデータ） (2020-07-18T09:35:53Z)

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。