論文の概要: CURI: A Benchmark for Productive Concept Learning Under Uncertainty

• arxiv url: http://arxiv.org/abs/2010.02855v1
• Date: Tue, 6 Oct 2020 16:23:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 05:46:00.916867
• Title: CURI: A Benchmark for Productive Concept Learning Under Uncertainty
• Title（参考訳）: CURI: 不確実性下での製品コンセプト学習のためのベンチマーク
• Authors: Ramakrishna Vedantam, Arthur Szlam, Maximilian Nickel, Ari Morcos, Brenden Lake
• Abstract要約: 我々は、新しい数ショットメタラーニングベンチマーク、コンポジション推論を不確実性の下で導入する(CURI)。 CURIは、疎結合、生産的一般化、学習操作、変数バインディングなどの抽象的な理解を含む、生産的および体系的な一般化の異なる側面を評価します。 また、モデルに依存しない「構成性ギャップ」を定義し、それぞれの軸に沿って分布外分布を一般化することの難しさを評価する。
• 参考スコア（独自算出の注目度）: 33.83721664338612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans can learn and reason under substantial uncertainty in a space of infinitely many concepts, including structured relational concepts ("a scene with objects that have the same color") and ad-hoc categories defined through goals ("objects that could fall on one's head"). In contrast, standard classification benchmarks: 1) consider only a fixed set of category labels, 2) do not evaluate compositional concept learning and 3) do not explicitly capture a notion of reasoning under uncertainty. We introduce a new few-shot, meta-learning benchmark, Compositional Reasoning Under Uncertainty (CURI) to bridge this gap. CURI evaluates different aspects of productive and systematic generalization, including abstract understandings of disentangling, productive generalization, learning boolean operations, variable binding, etc. Importantly, it also defines a model-independent "compositionality gap" to evaluate the difficulty of generalizing out-of-distribution along each of these axes. Extensive evaluations across a range of modeling choices spanning different modalities (image, schemas, and sounds), splits, privileged auxiliary concept information, and choices of negatives reveal substantial scope for modeling advances on the proposed task. All code and datasets will be available online.
• Abstract（参考訳）: 人間は、構造化されたリレーショナル概念(同じ色を持つオブジェクトを持つシーン)や目標によって定義されたアドホックなカテゴリ(「頭の上に落ちる可能性のあるオブジェクト」)を含む、無限に多くの概念の空間において、実質的な不確実性の下で学び、推論することができる。 対照的に 標準分類ベンチマークは 1) カテゴリーラベルの固定セットのみを考慮する。 2)構成概念学習の評価を行なわない。 3)不確実性の下で推論の概念を明示的に捉えてはならない。 我々は、このギャップを埋めるために、新しい数ショットのメタラーニングベンチマーク、Composeal Reasoning Under Uncertainty (CURI)を導入しました。 CURIは、疎結合の抽象的な理解、生産的一般化、ブール演算の学習、変数バインディングなど、生産的および体系的な一般化の異なる側面を評価する。 重要なことに、各軸に沿った分布の一般化の難しさを評価するために、モデルに依存しない「構成性ギャップ」も定義している。 異なるモダリティ(イメージ、スキーマ、サウンド)、分割、特権付き補助概念情報、負の選択にまたがる様々なモデリング選択の広範囲な評価は、提案するタスクのモデリング進展のかなりのスコープを明らかにする。 すべてのコードとデータセットがオンラインで提供される。

関連論文リスト

• Evaluating Readability and Faithfulness of Concept-based Explanations [35.48852504832633]
  概念に基づく説明は、大規模言語モデルによって学習された高レベルのパターンを説明するための有望な道として現れます。 現在の手法は、統一的な形式化を欠いた異なる視点から概念にアプローチする。 これにより、概念の中核となる尺度、すなわち忠実さや可読性を評価するのが難しくなります。
  論文  参考訳（メタデータ） (2024-04-29T09:20:25Z)
• Generalized Unbiased Scene Graph Generation [85.22334551067617]
  一般化Unbiased Scene Graph Generation (G-USGG)は、述語レベルと概念レベルの不均衡を考慮に入れている。 本稿では,まれ/非一般的/共通概念間のバランスの取れた学習プロセスを確実にするマルチコンセプト学習(MCL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-09T08:51:03Z)
• Concept-Based Explanations to Test for False Causal Relationships Learned by Abusive Language Classifiers [7.022948483613113]
  大規模な英語データセットで訓練された3つのよく知られた乱用言語分類器について考察する。 まず,すべての決定しきい値にまたがる課題に対して,その正確さを評価することによって,分類器が学習した不要な依存関係について検討する。 次に、概念に基づく説明指標を導入し、概念がラベルに与える影響を評価する。
  論文  参考訳（メタデータ） (2023-07-04T19:57:54Z)
• Divide and Conquer: Answering Questions with Object Factorization and Compositional Reasoning [30.392986232906107]
  本稿では,基本的対象分解法とニューラルモジュールネットワークからなる統合フレームワークを提案する。 本手法は, 対象物の特徴に基づいて分解し, 幅広い対象物を表すプロトタイプを自動的に導出する。 これらのプロトタイプにより、提案するネットワークは、共通意味空間上でオブジェクトの類似性を測定することによって、オブジェクトを関連付ける。 トレーニング中の可利用性に関わらず、多様なオブジェクトで質問に答えることができ、偏りのある質問応答分布の問題を克服することができる。
  論文  参考訳（メタデータ） (2023-03-18T19:37:28Z)
• Succinct Representations for Concepts [12.134564449202708]
  chatGPTのようなファンデーションモデルは、様々なタスクで顕著なパフォーマンスを示している。 しかし、多くの疑問に対して、彼らは正確なように見える誤った答えを生み出すかもしれない。 本稿では,圏論に基づく概念の簡潔な表現について述べる。
  論文  参考訳（メタデータ） (2023-03-01T12:11:23Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Resolving label uncertainty with implicit posterior models [71.62113762278963]
  本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。 異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
  論文  参考訳（メタデータ） (2022-02-28T18:09:44Z)
• Translational Concept Embedding for Generalized Compositional Zero-shot Learning [73.60639796305415]
  一般合成ゼロショット学習は、ゼロショット方式で属性オブジェクト対の合成概念を学習する手段である。 本稿では,これら2つの課題を統一的なフレームワークで解決するために,翻訳概念の埋め込み(translational concept embedded)という新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-12-20T21:27:51Z)
• A Minimalist Dataset for Systematic Generalization of Perception, Syntax, and Semantics [131.93113552146195]
  我々は,機械が一般化可能な概念を学習する能力を調べるため,新しいデータセットであるHINT(Hand written arithmetic with INTegers)を提案する。 HINTでは、イメージなどの生信号から概念がどのように認識されるかを学ぶことが機械のタスクである。 我々は、RNN、Transformer、GPT-3など、様々なシーケンス・ツー・シーケンスモデルで広範囲に実験を行った。
  論文  参考訳（メタデータ） (2021-03-02T01:32:54Z)
• Concept Learners for Few-Shot Learning [76.08585517480807]
  本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。 我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
  論文  参考訳（メタデータ） (2020-07-14T22:04:17Z)

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。