論文の概要: On Symbolically Encoding the Behavior of Random Forests

• arxiv url: http://arxiv.org/abs/2007.01493v1
• Date: Fri, 3 Jul 2020 04:21:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 04:25:35.304473
• Title: On Symbolically Encoding the Behavior of Random Forests
• Title（参考訳）: ランダム林の行動の記号的エンコードについて
• Authors: Arthur Choi and Andy Shih and Anchal Goyanka and Adnan Darwiche
• Abstract要約: 近年の研究では、いくつかの機械学習システムの入力出力挙動を象徴的に捉えることができることが示されている。 我々は離散化された連続変数を含む離散的な入力と出力を持つシステムに対処する。 満足度向上のためのエンコーディングと重要な違いをいくつか示し,与えられたタスクに対して完全かつ健全なエンコーディングを提案する。
• 参考スコア（独自算出の注目度）: 21.79165388471151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work has shown that the input-output behavior of some machine learning systems can be captured symbolically using Boolean expressions or tractable Boolean circuits, which facilitates reasoning about the behavior of these systems. While most of the focus has been on systems with Boolean inputs and outputs, we address systems with discrete inputs and outputs, including ones with discretized continuous variables as in systems based on decision trees. We also focus on the suitability of encodings for computing prime implicants, which have recently played a central role in explaining the decisions of machine learning systems. We show some key distinctions with encodings for satisfiability, and propose an encoding that is sound and complete for the given task.
• Abstract（参考訳）: 最近の研究は、いくつかの機械学習システムの入力出力挙動を、ブール式や抽出可能なブール回路を用いて象徴的に捉え、これらのシステムの振る舞いの推論を容易にすることを示している。 ほとんどがブール入力と出力を持つシステムに焦点を当てているが、我々は決定木に基づくシステムのように離散化された連続変数を持つシステムを含む離散入力と出力を扱う。 また,最近の機械学習システムの意思決定において中心的な役割を担ってきた,素因果計算のためのエンコーディングの適合性にも注目する。 満足度向上のためのエンコーディングと重要な違いをいくつか示し,与えられたタスクに対して完全かつ健全なエンコーディングを提案する。

関連論文リスト

• BoolQuestions: Does Dense Retrieval Understand Boolean Logic in Language? [88.29075896295357]
  まず,現在の検索システムが,言語に暗示されるブール論理を理解できるかを検討する。 広範な実験結果から,現在の高密度検索システムはブール論理を十分に理解していないという結論を導いた。 本研究では,研究コミュニティの強力な基盤となるコントラスト的連続学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-19T05:19:53Z)
• Gradient-based Fuzzy System Optimisation via Automatic Differentiation -- FuzzyR as a Use Case [14.211148966253438]
  我々は,ファジィシステム設計者が複雑な微分計算から自由なファジィシステム設計へ向けて,ニューラルネットワーク学習に精通する自動微分に焦点をあてる。 本稿では、ファジィ推論システムの実装が、自動微分ツールセットの強力な機能を活用するためにどのように調整できるかを示す。
  論文  参考訳（メタデータ） (2024-03-18T23:18:16Z)
• The Predictive Forward-Forward Algorithm [79.07468367923619]
  本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。 我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。 PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
  論文  参考訳（メタデータ） (2023-01-04T05:34:48Z)
• Deep Symbolic Learning: Discovering Symbols and Rules from Perceptions [69.40242990198]
  Neuro-Symbolic(NeSy)統合は、認識と推論を必要とするタスクに対して、シンボリック推論とニューラルネットワーク(NN)を組み合わせる。 ほとんどのNeSyシステムは論理的知識の継続的な緩和に依存しており、モデルパイプライン内では決定的な決定は行われない。 本研究では,NeSy関数を学習するNeSyシステムを提案する。すなわち,連続データを離散シンボルにマップする(集合)知覚関数の構成と,シンボルの集合上のシンボル関数である。
  論文  参考訳（メタデータ） (2022-08-24T14:06:55Z)
• Hierarchical Sketch Induction for Paraphrase Generation [79.87892048285819]
  本稿では、高密度符号化の分解を学習するHRQ-VAE(Hierarchical Refinement Quantized Variational Autoencoders)を紹介する。 HRQ-VAEを用いて、入力文の構文形式を階層化の経路としてエンコードすることで、テスト時の構文スケッチをより容易に予測できる。
  論文  参考訳（メタデータ） (2022-03-07T15:28:36Z)
• Improving Compositionality of Neural Networks by Decoding Representations to Inputs [83.97012077202882]
  我々は、ニューラルネットワークのアクティベーションを制約し、入力に"デコード"するように生成モデルを共同で訓練することで、従来のディープラーニングプログラムの利点を橋渡しする。 本稿では,デオード可能な表現の分布外検出,逆例,校正,公平性への応用を実証する。
  論文  参考訳（メタデータ） (2021-06-01T20:07:16Z)
• Latent Programmer: Discrete Latent Codes for Program Synthesis [56.37993487589351]
  プログラム合成や文書要約などの多くのシーケンス学習タスクにおいて、重要な問題は出力シーケンスの広い空間を探索することである。 本稿では,検索対象とする出力の表現を学習することを提案する。 本稿では,まず入力/出力サンプルから離散潜在コードを予測するプログラム合成手法であるemphLatent Programmerを紹介し,そのプログラムを対象言語で生成する。
  論文  参考訳（メタデータ） (2020-12-01T10:11:35Z)
• Learning event-driven switched linear systems [7.766921168069532]
  ブラックボックス切替線形システムの同定のための自動理論学習アルゴリズムを提案する。 我々のアルゴリズムはまず、与えられたイベントの入力シーケンス上で実行されるシステムのノードラベルを取得するためにオラクルを使用し、次にAngluin(L*)-algorithmを拡張して、与えられたFAの言語を受け入れるFAを決定する。
  論文  参考訳（メタデータ） (2020-09-27T12:32:40Z)
• Explainable AI for Classification using Probabilistic Logic Inference [9.656846523452502]
  説明可能な分類法を提案する。 本手法は,まず学習データから記号的知識ベースを構築し,その知識ベース上で線形プログラミングによる確率的推論を行う。 これは、ある分類を説明として責任を負う決定的な特徴を特定し、アートリー値ベースの手法であるSHAPに類似した結果を生成する。
  論文  参考訳（メタデータ） (2020-05-05T11:39:23Z)
• On The Reasons Behind Decisions [11.358487655918676]
  意思決定の背後にある十分な、必要な、完全な理由といった概念を定義します。 これらの概念は, 対実的ステートメントの評価にどのように用いられるかを示す。 これらの概念を計算するための効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-21T13:37:29Z)

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。