論文の概要: Continual General Chunking Problem and SyncMap
- arxiv url: http://arxiv.org/abs/2006.07853v4
- Date: Mon, 5 Apr 2021 09:40:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 09:43:03.408414
- Title: Continual General Chunking Problem and SyncMap
- Title（参考訳）: 連続的な一般チャンキング問題とSyncMap
- Authors: Danilo Vasconcellos Vargas and Toshitake Asabuki
- Abstract要約: チャンキング問題の連続的一般化(教師なし問題)を提案する。
動的マップを作成することにより,問題の変化を学習し,適応できるSyncMapというアルゴリズムを提案する。
SyncMapの結果は,多くのタイプの構造が存在するにもかかわらず,提案アルゴリズムが最適解の近くを学ぶことを示唆している。
- 参考スコア（独自算出の注目度）: 16.447597767676655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humans possess an inherent ability to chunk sequences into their constituent
parts. In fact, this ability is thought to bootstrap language skills and
learning of image patterns which might be a key to a more animal-like type of
intelligence. Here, we propose a continual generalization of the chunking
problem (an unsupervised problem), encompassing fixed and probabilistic chunks,
discovery of temporal and causal structures and their continual variations.
Additionally, we propose an algorithm called SyncMap that can learn and adapt
to changes in the problem by creating a dynamic map which preserves the
correlation between variables. Results of SyncMap suggest that the proposed
algorithm learn near optimal solutions, despite the presence of many types of
structures and their continual variation. When compared to Word2vec, PARSER and
MRIL, SyncMap surpasses or ties with the best algorithm on $66\%$ of the
scenarios while being the second best in the remaining $34\%$. SyncMap's
model-free simple dynamics and the absence of loss functions reveal that,
perhaps surprisingly, much can be done with self-organization alone. Code
available at https://github.com/zweifel/SyncMap.
- Abstract（参考訳）: 人間は、配列を構成要素にまとめる固有の能力を持っている。
実際、この能力は、言語スキルをブートストラップし、より動物のような知能の鍵となるイメージパターンを学習すると考えられている。
本稿では, チャンキング問題(教師なし問題)の連続的一般化, 固定および確率的チャンクの包含, 時間的および因果構造の発見とその連続的変動について述べる。
さらに,変数間の相関を保った動的マップを作成することにより,問題の変化を学習し,適応できるSyncMapというアルゴリズムを提案する。
SyncMapの結果から,多くのタイプの構造と連続的な変動が存在するにもかかわらず,提案アルゴリズムは最適解の近くを学ぶことが示唆された。
Word2vec、PARSER、MRILと比較すると、SyncMapは6.6セントのシナリオで最高のアルゴリズムを上回り、残りの34セントのシナリオでは2番目に高い。
syncmapのモデルフリーな単純なダイナミクスと損失関数の欠如は、おそらく驚くべきことに、自己組織化だけで多くのことができることを示している。
コードはhttps://github.com/zweifel/syncmap。
関連論文リスト
- Efficient Masked AutoEncoder for Video Object Counting and A Large-Scale Benchmark [52.339936954958034]
前景の動的不均衡は、ビデオオブジェクトのカウントにおいて大きな課題である。
本稿では,密度埋め込み型効率的なマスドオートエンコーダカウント(E-MAC)フレームワークを提案する。
また,高効率化のための密度マップから導出した空間適応マスクを提案する。
論文 参考訳（メタデータ） (2024-11-20T06:08:21Z) - Disentangled Representation Learning with the Gromov-Monge Gap [65.73194652234848]
乱れのないデータから歪んだ表現を学習することは、機械学習における根本的な課題である。
本稿では,2次最適輸送に基づく非交叉表現学習手法を提案する。
提案手法の有効性を4つの標準ベンチマークで示す。
論文 参考訳（メタデータ） (2024-07-10T16:51:32Z) - ADMap: Anti-disturbance framework for reconstructing online vectorized
HD map [9.218463154577616]
本稿では, 反ゆらぎマップ再構築フレームワーク (ADMap) を提案する。
点次ジッタを緩和するため、このフレームワークは、マルチスケール知覚ネック、インスタンスインタラクティブアテンション(IIA)、ベクトル方向差損失(VDDL)の3つのモジュールで構成されている。
論文 参考訳（メタデータ） (2024-01-24T01:37:27Z) - Symmetrical SyncMap for Imbalanced General Chunking Problems [11.26120401279973]
本研究では, 長期にわたって安定な動的方程式と引力・引力点の創出法を示す。
主な考え方は、対称的なアクティベーションによって負のフィードバックループと正のフィードバックループから等しく更新することである。
我々のアルゴリズムは、12の非バランスなCGCPにおいて、他の教師なしの最先端のベースラインを超越または結び付ける。
論文 参考訳（メタデータ） (2023-10-16T04:03:36Z) - Asynchronously Trained Distributed Topographic Maps [0.0]
分散トレーニングによって特徴マップを生成するために,N$の自律ユニットを用いたアルゴリズムを提案する。
単位の自律性は、分散探索とカスケード駆動の重み更新スキームを組み合わせることで、時間と空間のスパース相互作用によって達成される。
論文 参考訳（メタデータ） (2023-01-20T01:15:56Z) - Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。
階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。
実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
論文 参考訳（メタデータ） (2022-08-04T21:49:29Z) - Multi-Modal and Multi-Factor Branching Time Active Inference [2.513785998932353]
モンテカルロ木探索に基づく分枝時間アクティブ推論(BTAI)の2つのバージョンが開発されている。
しかし、BTAIのこれらの2つのバージョンはいまだ指数複雑性クラスに悩まされており、観測変数と潜伏変数の数がモデル化されている。
本稿では、この制限をいくつかの観測をモデル化することで解決する。
推論アルゴリズムは、後部の計算を高速化するために、可能性と遷移写像の分解を利用する。
論文 参考訳（メタデータ） (2022-06-24T22:07:21Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳（メタデータ） (2021-11-25T02:37:59Z) - Learning Iterative Robust Transformation Synchronization [71.73273007900717]
グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
本研究では、ロバストな損失関数のハンドクラフトを回避するとともに、グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
論文 参考訳（メタデータ） (2021-11-01T07:03:14Z) - Generic Merging of Structure from Motion Maps with a Low Memory
Footprint [3.7838598767969502]
効率的で柔軟で堅牢なマップマージを可能にする新しいツールを紹介します。
シミュレーションデータと実データ – 手持ちの携帯電話とドローンの両方から – を用いることで,提案手法の性能を検証する。
論文 参考訳（メタデータ） (2021-03-24T15:03:25Z) - Learning Condition Invariant Features for Retrieval-Based Localization
from 1M Images [85.81073893916414]
我々は、より正確で、より一般化されたローカライゼーション特徴を学習する新しい方法を開発した。
難易度の高いオックスフォード・ロボットカーの夜間条件では、5m以内の局所化精度でよく知られた三重項損失を24.4%上回っている。
論文 参考訳（メタデータ） (2020-08-27T14:46:22Z)
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。