Fugu-MT 論文翻訳(概要): Intelligence plays dice: Stochasticity is essential for machine learning

論文の概要: Intelligence plays dice: Stochasticity is essential for machine learning

arxiv url: http://arxiv.org/abs/2008.07496v1
Date: Mon, 17 Aug 2020 17:40:38 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 03:08:37.971261
Title: Intelligence plays dice: Stochasticity is essential for machine learning
Title（参考訳）: 人工知能がサイコロを奏でる:確率性は機械学習に不可欠
Authors: Mert R. Sabuncu
Abstract要約: 多くの分野の可視性は計算効率を得る方法であり、精度をトレードオフする必要がしばしばある。本稿では、ランダム性は機械学習(ML)において根本的に異なる役割を担っており、知的システムの重要な要素である可能性が高いと論じる。
参考スコア（独自算出の注目度）: 15.245936854932374
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Many fields view stochasticity as a way to gain computational efficiency, while often having to trade off accuracy. In this perspective article, we argue that stochasticity plays a fundamentally different role in machine learning (ML) and is likely a critical ingredient of intelligent systems. As we review the ML literature, we notice that stochasticity features in many ML methods, affording them robustness, generalizability, and calibration. We also note that randomness seems to be prominent in biological intelligence, from the spiking patterns of individual neurons to the complex behavior of animals. We conclude with a discussion of how we believe stochasticity might shape the future of ML.
Abstract（参考訳）: 多くの分野において、確率性は計算効率を得る方法であり、精度をトレードオフする必要がしばしばある。本稿では,確率性は機械学習(ML)において根本的に異なる役割を担っており,知的システムの重要な要素であると考えられる。 ML文献をレビューするにあたり、多くのML手法で確率性が特徴であることに気付き、堅牢性、一般化性、キャリブレーションを実現している。また、個々のニューロンのスパイクパターンから動物の複雑な行動に至るまで、生物学的知性においてランダム性は顕著である。我々は、確率性がMLの未来を形作ると信じているかについて議論した。

関連論文リスト

What Languages are Easy to Language-Model? A Perspective from Learning Probabilistic Regular Languages [78.1866280652834]
大規模言語モデル (LM) は文字列上の分布である。 RNNとTransformer LMによる規則的LM(RLM)の学習性について検討する。 RNNとトランスフォーマーの双方において,RLMランクの複雑さは強く,学習可能性の有意な予測因子であることが判明した。
論文参考訳（メタデータ） (2024-06-06T17:34:24Z)
Is machine learning good or bad for the natural sciences? [7.41244589428771]
MLの導入によって、強い、望ましくない統計バイアスがもたらされる状況が示されている。例えば、MLモデルを用いて物理(または第一原理)シミュレーションをエミュレートすると、検証バイアスが増幅される。別の例として、データセットのラベル付けに表現的回帰を使用する場合、これらのラベルは下流のバイアスを取らなければ使用できない。
論文参考訳（メタデータ） (2024-05-28T12:01:52Z)
Unifying (Quantum) Statistical and Parametrized (Quantum) Algorithms [65.268245109828]
我々はカーンズのSQオラクルとヴァリアントの弱い評価オラクルからインスピレーションを得ます。評価クエリから学習するための非条件の下限を出力する,広範かつ直感的なフレームワークを提案する。
論文参考訳（メタデータ） (2023-10-26T18:23:21Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
The games we play: critical complexity improves machine learning [0.0]
機械学習のベストプラクティスは、合理主義的で壮大な物語よりも、決定的な複雑性の観点から一致すべきである、と私たちは主張する。 MLコミュニティでプレイされている13の「ゲーム」は、モデルに偽の正当性を与え、人工知能の能力に関する過剰な宣伝と誇大宣伝に寄与し、不平等を悪化させ差別を引き起こすモデルに繋がる。
論文参考訳（メタデータ） (2022-05-18T13:37:22Z)
Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
論文参考訳（メタデータ） (2022-01-14T14:54:58Z)
A Computability Perspective on (Verified) Machine Learning [0.5161531917413708]
検証済み機械学習が正確に何を意味するべきかは、あまり明確ではない。検証されたMLの根底にある計算タスクをモデルに依存しない方法で定義し、それらが原理計算可能であることを示す。
論文参考訳（メタデータ） (2021-02-12T15:47:41Z)
Dissonance Between Human and Machine Understanding [16.32018730049208]
本稿では,人間と機械の理解との不協和を解明し,定量化する大規模クラウドソーシング研究を行う。私たちの発見は、人工知能の分野における長期的な目標は、人間のように学習し推論できる機械を作ることであると考え、人間と機械のコラボレーションに重要な意味を持つ。
論文参考訳（メタデータ） (2021-01-18T21:45:35Z)
Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文参考訳（メタデータ） (2020-11-30T18:29:25Z)
Insights into Performance Fitness and Error Metrics for Machine Learning [1.827510863075184]
機械学習(ML)は、高いレベルの認知を達成し、人間のような分析を行うための訓練機械の分野である。本稿では、回帰アルゴリズムや分類アルゴリズムにおいて、最もよく使われている性能適合度と誤差の測定値について検討する。
論文参考訳（メタデータ） (2020-05-17T22:59:04Z)
An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文参考訳（メタデータ） (2020-03-01T13:06:29Z)

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。