論文の概要: A New Perspective on Learning Context-Specific Independence

• arxiv url: http://arxiv.org/abs/2006.06896v1
• Date: Fri, 12 Jun 2020 01:11:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 04:18:17.223864
• Title: A New Perspective on Learning Context-Specific Independence
• Title（参考訳）: 文脈特異的独立学習の新しい視点
• Authors: Yujia Shen, Arthur Choi, Adnan Darwiche
• Abstract要約: 文脈依存独立(CSI)のような局所構造は確率的グラフィカルモデル(PGM)の文献で注目されている。 本稿では,データからCSIを学習する方法について,新たな視点を提供する。
• 参考スコア（独自算出の注目度）: 18.273290530700567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Local structure such as context-specific independence (CSI) has received much attention in the probabilistic graphical model (PGM) literature, as it facilitates the modeling of large complex systems, as well as for reasoning with them. In this paper, we provide a new perspective on how to learn CSIs from data. We propose to first learn a functional and parameterized representation of a conditional probability table (CPT), such as a neural network. Next, we quantize this continuous function, into an arithmetic circuit representation that facilitates efficient inference. In the first step, we can leverage the many powerful tools that have been developed in the machine learning literature. In the second step, we exploit more recently-developed analytic tools from explainable AI, for the purposes of learning CSIs. Finally, we contrast our approach, empirically and conceptually, with more traditional variable-splitting approaches, that search for CSIs more explicitly.
• Abstract（参考訳）: 文脈特化独立 (csi) のような局所構造は、大きな複雑なシステムのモデリングやそれらの推論を容易にするため、確率的グラフィカルモデル (pgm) の文献で多くの注目を集めている。 本稿では,データからCSIを学習する方法について,新たな視点を提供する。 本稿では,ニューラルネットワークなどの条件付き確率表(CPT)の機能的およびパラメータ化表現をまず学習する。 次に、この連続関数を効率的な推論を容易にする演算回路表現に量子化する。 最初のステップでは、機械学習の文献で開発された多くの強力なツールを活用することができます。 第2のステップでは、CSIを学ぶために、説明可能なAIから最近開発された分析ツールを活用します。 最後に, csisをより明確に探索する従来の可変分割アプローチと, 経験的および概念的に対比する。

関連論文リスト

• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Identifiable Causal Representation Learning: Unsupervised, Multi-View, and Multi-Environment [10.814585613336778]
  因果表現学習は、機械学習のコアとなる強みと因果性を組み合わせることを目的としている。 この論文は、CRLが直接の監督なしに何が可能であるかを調査し、理論的基礎に寄与する。
  論文  参考訳（メタデータ） (2024-06-19T09:14:40Z)
• Suitability of CCA for Generating Latent State/ Variables in Multi-View Textual Data [0.0]
  本研究は、潜伏状態の発見におけるCAAの可能性を示すことによって、さらに一歩前進する。 本研究で論じるCAAの解釈は,テキストデータのマルチビュー特性を利用する。 本研究では,CCAを用いた自動短解像作成(ASAG)タスクの実行モデルを提案する。
  論文  参考訳（メタデータ） (2024-06-18T18:37:24Z)
• GreenLightningAI: An Efficient AI System with Decoupled Structural and Quantitative Knowledge [0.0]
  強力な、人気のあるディープニューラルネットワークのトレーニングには、非常に高い経済的および環境的コストが伴う。 この作業は、GreenLightningAIを提案することによって、根本的に異なるアプローチを取る。 新しいAIシステムは、所定のサンプルに対してシステムサブセットを選択するために必要な情報を格納する。 我々は,AIシステムを新しいサンプルで再学習する際に,構造情報を無修正で保持できることを実験的に示す。
  論文  参考訳（メタデータ） (2023-12-15T17:34:11Z)
• A Novel Neural-symbolic System under Statistical Relational Learning [50.747658038910565]
  本稿では,GBPGRと呼ばれる2段階の確率的グラフィカル推論フレームワークを提案する。 GBPGRでは、シンボル推論の結果を用いて、ディープラーニングモデルによる予測を洗練し、修正する。 提案手法は高い性能を示し, 帰納的タスクと帰納的タスクの両方において効果的な一般化を示す。
  論文  参考訳（メタデータ） (2023-09-16T09:15:37Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Explainable Artificial Intelligence for Improved Modeling of Processes [6.29494485203591]
  我々は,現代的なトランスフォーマーアーキテクチャと,より古典的なプロセス規則性モデリングの機械学習技術の性能を評価する。 MLモデルは重要な結果を予測することができ、注意機構やXAIコンポーネントが基礎となるプロセスに新たな洞察を与えることを示す。
  論文  参考訳（メタデータ） (2022-12-01T17:56:24Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• AI Centered on Scene Fitting and Dynamic Cognitive Network [4.228224431041357]
  より強力な人工知能を実現するためには、エンドツーエンドの関数計算を変更する必要がある。 また、動的認知ネットワークモデル(DCNet)と呼ばれる具体的なスキームについても論じている。
  論文  参考訳（メタデータ） (2020-10-02T06:13:41Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。