論文の概要: Coupling Learning of Complex Interactions

• arxiv url: http://arxiv.org/abs/2007.13534v1
• Date: Wed, 1 Jul 2020 11:04:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 22:36:15.405920
• Title: Coupling Learning of Complex Interactions
• Title（参考訳）: 複雑相互作用のカップリング学習
• Authors: Longbing Cao
• Abstract要約: 本稿では,学習システムにおける結合関係の関与に着目し,結合学習の概念に焦点をあてる。 ケーススタディでは、リコメンデータシステムの結合の処理、結合クラスタリングへの結合、結合ドキュメントクラスタリング、結合レコメンデータアルゴリズム、グループに対する結合挙動解析などが行われている。
• 参考スコア（独自算出の注目度）: 42.98602883069444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex applications such as big data analytics involve different forms of coupling relationships that reflect interactions between factors related to technical, business (domain-specific) and environmental (including socio-cultural and economic) aspects. There are diverse forms of couplings embedded in poor-structured and ill-structured data. Such couplings are ubiquitous, implicit and/or explicit, objective and/or subjective, heterogeneous and/or homogeneous, presenting complexities to existing learning systems in statistics, mathematics and computer sciences, such as typical dependency, association and correlation relationships. Modeling and learning such couplings thus is fundamental but challenging. This paper discusses the concept of coupling learning, focusing on the involvement of coupling relationships in learning systems. Coupling learning has great potential for building a deep understanding of the essence of business problems and handling challenges that have not been addressed well by existing learning theories and tools. This argument is verified by several case studies on coupling learning, including handling coupling in recommender systems, incorporating couplings into coupled clustering, coupling document clustering, coupled recommender algorithms and coupled behavior analysis for groups.
• Abstract（参考訳）: ビッグデータ分析のような複雑なアプリケーションでは、技術的、ビジネス(ドメイン固有)、環境(社会文化的、経済的)に関連する要素間の相互作用を反映する様々な結合関係が関係する。 貧弱な構造と非構造なデータに埋め込まれた様々な結合形式がある。 このような結合は、ユビキタス、暗黙的および/または明示的、客観的および/または主観的、不均一および/または均質であり、統計、数学、コンピュータ科学における既存の学習システム、例えば典型的な依存、関連、相関関係の複雑さを示す。 このような結合のモデル化と学習は基本的だが難しい。 本稿では,学習システムにおける結合関係の関与に着目し,結合学習の概念について述べる。 学習の結合は、ビジネス上の問題の本質を深く理解し、既存の学習理論やツールでうまく対処されていない課題に対処する上で大きな可能性を秘めている。 この議論は、カップリング学習に関するいくつかのケーススタディによって検証され、例えば、リコメンダシステムにおけるカップリングの扱い、結合クラスタリング、カップリングドキュメントクラスタリング、結合レコメンダアルゴリズム、グループに対する結合挙動解析などである。

関連論文リスト

• Advances in Robust Federated Learning: Heterogeneity Considerations [25.261572089655264]
  主な課題は、異なるデータ分散、モデル構造、タスク目標、計算能力、通信リソースを持つ複数のクライアントでモデルを効率的にトレーニングすることである。 本稿ではまず,不均一なフェデレーション学習の基本概念について概説する。 次に、フェデレーション学習における研究課題を、データ、モデル、タスク、デバイス、コミュニケーションの5つの側面の観点から要約する。
  論文  参考訳（メタデータ） (2024-05-16T06:35:42Z)
• Learning Hierarchical Relational Representations through Relational Convolutions [2.5322020135765464]
  本稿では、より複雑な関係性の特徴を捉える計算機構を備えたニューラルネットワークである「リレーショナル畳み込みネットワーク」を紹介する。 このフレームワークの重要なコンポーネントは、グラフレットフィルタを畳み込み、オブジェクトのグループ内の関係パターンをキャプチャする新しい操作である。 アーキテクチャのモチベーションと詳細、およびリレーショナル畳み込みネットワークが階層構造を持つリレーショナルタスクをモデル化するための効果的なフレームワークを提供するための一連の実験を示す。
  論文  参考訳（メタデータ） (2023-10-05T01:22:50Z)
• Knowledge-Enhanced Hierarchical Information Correlation Learning for Multi-Modal Rumor Detection [82.94413676131545]
  マルチモーダルなうわさ検出のための知識強化型階層型情報相関学習手法(KhiCL)を提案する。 KhiCLは異質な一様性特徴を共通特徴空間に伝達するために、クロスモーダルな関節辞書を利用する。 画像やテキストから視覚的およびテキスト的実体を抽出し、知識関連推論戦略を設計する。
  論文  参考訳（メタデータ） (2023-06-28T06:08:20Z)
• Collective Relational Inference for learning heterogeneous interactions [8.215734914005845]
  本稿では,従来の手法と比較して2つの特徴を持つ関係推論の確率的手法を提案する。 提案手法を複数のベンチマークデータセットで評価し,既存の手法よりも精度良く対話型を推定できることを実証した。 全体として、提案モデルはデータ効率が高く、より小さなシステムで訓練された場合、大規模システムに対して一般化可能である。
  論文  参考訳（メタデータ） (2023-04-30T19:45:04Z)
• Unifying Pairwise Interactions in Complex Dynamics [0.0]
  本稿では,多種多様な実世界およびモデル生成システムからのペアインタラクションに関する237の統計ライブラリを紹介する。 解析では、異なる数学的定式化の新たな共通点に注目し、豊かな学際文学の統一的な図面を提供する。
  論文  参考訳（メタデータ） (2022-01-28T05:44:27Z)
• Emerging Trends in Federated Learning: From Model Fusion to Federated X Learning [65.06445195580622]
  フェデレートラーニング(Federated Learning)は、データ収集とモデルトレーニングを、マルチパーティの計算とモデルアグリゲーションを通じて分離する新しいパラダイムである。 我々は、他の学習アルゴリズムとともに、フェデレーション学習の焦点を絞った調査を行う。
  論文  参考訳（メタデータ） (2021-02-25T15:18:13Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
  本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。 具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。 我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
  論文  参考訳（メタデータ） (2020-10-13T22:45:28Z)
• Unsupervised Heterogeneous Coupling Learning for Categorical Representation [50.1603042640492]
  この研究は、結合間の相互作用を解き放ち、結合したカテゴリデータを表現するためのUNTIE(UNsupervised heTerogeneous couplIng lEarning)アプローチを導入する。 UNTIEは、ヘテロジニアスおよび階層的値-オブジェクト結合の教師なし表現学習のために、カーネルk平均目的関数を効率よく最適化する。 UNTIEで学習した表現は、最先端のカテゴリ表現やディープ表現モデルに対して大幅な性能改善を行う。
  論文  参考訳（メタデータ） (2020-07-21T11:23:27Z)

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。