Fugu-MT 論文翻訳(概要): Differential Replication in Machine Learning

論文の概要: Differential Replication in Machine Learning

arxiv url: http://arxiv.org/abs/2007.07981v1
Date: Wed, 15 Jul 2020 20:26:49 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 04:59:34.805692
Title: Differential Replication in Machine Learning
Title（参考訳）: 機械学習における差分レプリケーション
Authors: Irene Unceta, Jordi Nin and Oriol Pujol
Abstract要約: 我々は、すでにデプロイされた機械学習モデルによって得られた知識を再利用したソリューションを提案する。これは機械学習モデルの差分複製の背景にある考え方である。
参考スコア（独自算出の注目度）: 0.90238471756546
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When deployed in the wild, machine learning models are usually confronted with data and requirements that constantly vary, either because of changes in the generating distribution or because external constraints change the environment where the model operates. To survive in such an ecosystem, machine learning models need to adapt to new conditions by evolving over time. The idea of model adaptability has been studied from different perspectives. In this paper, we propose a solution based on reusing the knowledge acquired by the already deployed machine learning models and leveraging it to train future generations. This is the idea behind differential replication of machine learning models.
Abstract（参考訳）: ワイルドにデプロイされる場合、マシンラーニングモデルは、通常、生成分布の変化や、モデルが動作する環境が外部制約によって変化するため、常に変化するデータや要件に直面します。このようなエコシステムで生き残るためには、機械学習モデルは時間とともに進化して新しい状況に適応する必要がある。モデル適応性の概念は異なる視点から研究されてきた。本稿では,すでにデプロイされている機械学習モデルが獲得した知識を再利用し,次世代の学習に活用する手法を提案する。これは機械学習モデルの差分複製の背景にある考え方である。

関連論文リスト

Deep Generative Models in Robotics: A Survey on Learning from Multimodal Demonstrations [52.11801730860999]
近年、ロボット学習コミュニティは、大規模なデータセットの複雑さを捉えるために、深層生成モデルを使うことへの関心が高まっている。本稿では,エネルギーベースモデル,拡散モデル,アクションバリューマップ,生成的敵ネットワークなど,コミュニティが探求してきたさまざまなモデルについて述べる。また,情報生成から軌道生成,コスト学習に至るまで,深層生成モデルを用いた様々なアプリケーションについて述べる。
論文参考訳（メタデータ） (2024-08-08T11:34:31Z)
Machine Unlearning in Contrastive Learning [3.6218162133579694]
本稿では,機械学習を効果的に行うためのモデルトレーニングのための,勾配制約に基づく新しいアプローチを提案する。提案手法は,コントラスト学習モデルだけでなく,教師付き学習モデルにも有能な性能を示す。
論文参考訳（メタデータ） (2024-05-12T16:09:01Z)
Constructing Effective Machine Learning Models for the Sciences: A Multidisciplinary Perspective [77.53142165205281]
線形回帰モデルに変数間の変換や相互作用を手動で追加することで、非線形解が必ずしも改善されないことを示す。データ駆動モデルを構築する前にこれを認識する方法や、そのような分析が本質的に解釈可能な回帰モデルへの移行にどのように役立つかについて議論する。
論文参考訳（メタデータ） (2022-11-21T17:48:44Z)
Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文参考訳（メタデータ） (2022-10-11T10:20:31Z)
Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning [27.841725567976315]
本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
論文参考訳（メタデータ） (2022-03-30T17:01:59Z)
Beyond Trivial Counterfactual Explanations with Diverse Valuable Explanations [64.85696493596821]
コンピュータビジョンの応用において、生成的対実法はモデルの入力を摂動させて予測を変更する方法を示す。本稿では,多様性強化損失を用いて制約される不連続潜在空間における摂動を学習する反事実法を提案する。このモデルは, 従来の最先端手法と比較して, 高品質な説明を生産する成功率を向上させる。
論文参考訳（メタデータ） (2021-03-18T12:57:34Z)
Choice modelling in the age of machine learning -- discussion paper [0.27998963147546135]
機械学習モデル、テクニック、プラクティスの相互補完は、現在の理論駆動パラダイムで直面する問題や制限を克服するのに役立ちます。選択モデリングのプラクティスを改善するために機械学習の進歩を使用することの潜在的な利点にもかかわらず、選択モデリングの分野は機械学習を受け入れることをためらっている。
論文参考訳（メタデータ） (2021-01-28T11:57:08Z)
Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文参考訳（メタデータ） (2020-12-21T15:07:19Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
A Hierarchy of Limitations in Machine Learning [0.0]
本稿では,社会に応用された機械学習におけるモデルの概念的,手続き的,統計的制限の包括的,構造化された概要を論じる。モデラー自身は、記述された階層を使って、可能な障害点を特定し、それらに対処する方法を考えることができます。機械学習モデルの消費者は、機械学習を適用するかどうか、場所、方法に関する決定に直面したときに、何を問うべきかを知ることができる。
論文参考訳（メタデータ） (2020-02-12T19:39:29Z)
Machine Learning Approaches For Motor Learning: A Short Review [1.5736917233375265]
運動学習のための既存の機械学習モデルとその適応能力について概説する。確率モデルの強化、深層ニューラルネットワークの伝達とメタラーニング、強化学習による計画適応の3つのタイプを同定し、記述する。
論文参考訳（メタデータ） (2020-02-11T11:11:26Z)

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。