Fugu-MT 論文翻訳(概要): Separating Positive and Negative Data Examples by Concepts and Formulas: The Case of Restricted Signatures

論文の概要: Separating Positive and Negative Data Examples by Concepts and Formulas: The Case of Restricted Signatures

arxiv url: http://arxiv.org/abs/2007.02669v1
Date: Mon, 6 Jul 2020 11:58:02 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 03:04:56.774420
Title: Separating Positive and Negative Data Examples by Concepts and Formulas: The Case of Restricted Signatures
Title（参考訳）: 概念と公式による正と負のデータ例の分離:制限記号の場合
Authors: Jean Christoph Jung, Carsten Lutz, Hadrien Pulcini, Frank Wolter
Abstract要約: 本稿では, 論理概念と論理式の観点から, 正および負のデータ例の分離について検討する。負の例がどのように扱われるかが異なる結果の弱いバージョンと強いバージョンを考察する。
参考スコア（独自算出の注目度）: 23.800397174740986
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the separation of positive and negative data examples in terms of description logic (DL) concepts and formulas of decidable FO fragments, in the presence of an ontology. In contrast to previous work, we add a signature that specifies a subset of the symbols from the data and ontology that can be used for separation. We consider weak and strong versions of the resulting problem that differ in how the negative examples are treated. Our main results are that (a projective form of) the weak version is decidable in $\mathcal{ALCI}$ while it is undecidable in the guarded fragment GF, the guarded negation fragment GNF, and the DL $\mathcal{ALCFIO}$, and that strong separability is decidable in $\mathcal{ALCI}$, GF, and GNF. We also provide (mostly tight) complexity bounds.
Abstract（参考訳）: 本稿では,記述論理(DL)の概念と決定可能なFOフラグメントの式を用いて,オントロジーの存在下での正および負のデータ例の分離について検討する。従来の作業とは対照的に、シンボルのサブセットを分離に使用できるデータとオントロジーから指定するシグネチャを追加します。負の例がどのように扱われるかが異なる結果の弱いバージョンと強いバージョンを考察する。我々の主な結果は、弱いバージョンは$\mathcal{ALCI}$で決定可能であるが、ガードされたフラグメントGF、ガードされた否定フラグメントGNF、DL $\mathcal{ALCFIO}$では決定不可能であり、強い分離性は$\mathcal{ALCI}$、GF、GNFで決定可能であることである。また、(主に厳密な)複雑性境界も提供します。

関連論文リスト

Revisiting subword tokenization: A case study on affixal negation in large language models [57.75279238091522]
現代英語大言語モデル(LLM)に対する接尾辞否定の影響を計測する。我々は、異なるサブワードトークン化手法を用いてLLMを用いて実験を行う。モデルは全体として、接尾辞の意味を確実に認識できることを示す。
論文参考訳（メタデータ） (2024-04-03T03:14:27Z)
LINC: A Neurosymbolic Approach for Logical Reasoning by Combining Language Models with First-Order Logic Provers [60.009969929857704]
論理的推論は、科学、数学、社会に潜在的影響を与える可能性のある人工知能にとって重要なタスクである。本研究では、LINCと呼ばれるモジュール型ニューロシンボリックプログラミングのようなタスクを再構成する。我々は,FOLIOとProofWriterのバランスの取れたサブセットに対して,ほぼすべての実験条件下で,3つの異なるモデルに対して顕著な性能向上を観察した。
論文参考訳（メタデータ） (2023-10-23T17:58:40Z)
Your Negative May not Be True Negative: Boosting Image-Text Matching with False Negative Elimination [62.18768931714238]
提案手法は, サンプリングによる新規な偽陰性除去 (FNE) 戦略である。その結果,提案した偽陰性除去戦略の優位性が示された。
論文参考訳（メタデータ） (2023-08-08T16:31:43Z)
Augmentation-Free Graph Contrastive Learning of Invariant-Discriminative Representations [2.0621215354103635]
本稿では,iGCL (invariant-discriminative graph contrastive learning) という拡張自由グラフ比較学習法を提案する。 iGCLは不変・識別的損失(ID損失)を設計し、不変・識別的表現を学習する。本理論は, 冗長性低減基準, 正準相関解析, および情報ボトルネック原理の観点から, ID損失の有効性を説明する。
論文参考訳（メタデータ） (2022-10-15T17:36:04Z)
Debiased Contrastive Learning of Unsupervised Sentence Representations [88.58117410398759]
コントラスト学習は、事前訓練された言語モデル(PLM)を改善し、高品質な文表現を導き出すのに有効である。以前の作業は、主にランダムにトレーニングデータからバッチ内陰性またはサンプルを採用する。我々はこれらの不適切な負の影響を軽減するための新しいフレームワーク textbfDCLR を提案する。
論文参考訳（メタデータ） (2022-05-02T05:07:43Z)
Structure-Aware Hard Negative Mining for Heterogeneous Graph Contrastive Learning [21.702342154458623]
本稿では,グラフニューラルネットワーク(GNN)におけるコントラスト学習(CL)について検討する。まず、メタパスとネットワークスキーマに基づいて複数のセマンティックビューを生成します。次に、異なるセマンティックビューに対応するノードの埋め込み(陽性)を押して、他の埋め込み(負)を引き離します。複雑なグラフ構造とGNNの滑らかな性質を考慮し,構造を考慮した強負のマイニング手法を提案する。
論文参考訳（メタデータ） (2021-08-31T14:44:49Z)
The Curse of Passive Data Collection in Batch Reinforcement Learning [82.6026077420886]
高い利害関係のアプリケーションでは、アクティブな実験は危険すぎると考えられ、データはしばしば受動的に収集される。バンディットやパッシブ、アクティブなデータ収集などの単純な場合も同様に効果的であるが、制御された状態のシステムからデータを集める場合、パッシブサンプリングの価格ははるかに高い。
論文参考訳（メタデータ） (2021-06-18T07:54:23Z)
Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文参考訳（メタデータ） (2021-06-14T05:39:09Z)
Understanding Hard Negatives in Noise Contrastive Estimation [21.602701327267905]
ハードマイナスの役割を理解するための分析ツールを開発した。テキスト検索に用いられる様々なアーキテクチャを統一するスコア関数の一般的な形式を導出する。
論文参考訳（メタデータ） (2021-04-13T14:42:41Z)
Adversarial Robustness: What fools you makes you stronger [1.14219428942199]
本研究では,PAC-ラーニングモデルと等価クエリ-ラーニングモデルのバージョンとの間で,サンプルの複雑さを指数関数的に分離することを証明する。この分離は、敵対的堅牢性に興味深い意味を持つことを示す。攻撃者の存在下では、確実に堅牢なモデルを計算する適応防御を設計するビジョンを探求する。
論文参考訳（メタデータ） (2021-02-10T15:00:24Z)
Logical Separability of Labeled Data Examples under Ontologies [23.800397174740986]
オントロジーの存在下でのデータの分離式の存在について検討する。分離するために、説明ロジック $mathcalALCI$、ガードされたフラグメント、2変数のフラグメント、ガードされたフラグメントを検討します。本研究は, 分離可能性のモデル理論的特徴, 異なる言語の分離能力の比較, 分離性を決定する計算複雑性について検討した。
論文参考訳（メタデータ） (2020-07-03T11:00:47Z)

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。