Fugu-MT 論文翻訳(概要): A computationally and cognitively plausible model of supervised and unsupervised learning

論文の概要: A computationally and cognitively plausible model of supervised and unsupervised learning

arxiv url: http://arxiv.org/abs/2010.14618v1
Date: Sun, 11 Oct 2020 00:31:27 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 12:41:36.474215
Title: A computationally and cognitively plausible model of supervised and unsupervised learning
Title（参考訳）: 教師付き学習と教師なし学習の計算的・認知的に妥当なモデル
Authors: David M W Powers
Abstract要約: 連想学習における経験的心理学的結果に基づいて,新たな学習モデルを提案する。このモデルの2つの形式が開発され、Informatronは確率補正のパーセプトロン、AdaBookは確率補正のAdaBoostプロシージャである。
参考スコア（独自算出の注目度）: 3.7819322027528113
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Both empirical and mathematical demonstrations of the importance of chance-corrected measures are discussed, and a new model of learning is proposed based on empirical psychological results on association learning. Two forms of this model are developed, the Informatron as a chance-corrected Perceptron, and AdaBook as a chance-corrected AdaBoost procedure. Computational results presented show chance correction facilitates learning.
Abstract（参考訳）: 確率補正尺度の重要性に関する実証的および数学的実証を議論し, 関連学習における経験的心理学的結果に基づく新しい学習モデルを提案する。このモデルの2つの形式が開発され、Informatronはチャンス補正のPerceptron、AdaBookは確率補正のAdaBoostである。提示された計算結果から、確率補正は学習を容易にする。

関連論文リスト

Toward Understanding In-context vs. In-weight Learning [50.24035812301655]
本研究は,文脈内学習の出現と消失を引き起こす簡易な分布特性を同定する。そして、この研究を完全な大規模言語モデルに拡張し、自然言語プロンプトの様々なコレクションの微調整が、文脈内および重み付き学習の振る舞いをいかに引き出すかを示す。
論文参考訳（メタデータ） (2024-10-30T14:09:00Z)
A Tutorial on Doubly Robust Learning for Causal Inference [0.0]
二重に堅牢な学習は、観測データから因果推論を行うための堅牢なフレームワークを提供する。このチュートリアルは、二重に堅牢なメソッドをデミスティフィケートし、EconMLパッケージを使ってアプリケーションをデモすることを目的としている。
論文参考訳（メタデータ） (2024-06-02T20:18:40Z)
Supervised learning with probabilistic morphisms and kernel mean embeddings [0.0]
本稿では,教師あり学習における2つのアプローチを統一した教師あり学習モデルを提案する。統計的学習理論において無視されてきた2つの測定可能性問題に対処する。不正な問題を解くために,Vapnik-Stefanuykの正規化手法の変種を提案する。
論文参考訳（メタデータ） (2023-05-10T17:54:21Z)
Multi-Study Boosting: Theoretical Considerations for Merging vs. Ensembling [2.252304836689618]
クロススタディの再現性は、予測の一般化性を強調する強力なモデル評価基準である。本研究では, 予測・アウトカム関係における潜在的不均一性の存在下での促進アルゴリズムについて検討した。我々は,1)すべての学習をマージし,単一のモデルを訓練する,2)マルチスタディ・アンサンブル(multi-study ensembling)という2つのマルチスタディ・ラーニング戦略を比較した。
論文参考訳（メタデータ） (2022-07-11T02:25:47Z)
Explain, Edit, and Understand: Rethinking User Study Design for Evaluating Model Explanations [97.91630330328815]
我々はクラウドソーシング研究を行い、真偽のホテルレビューと偽のホテルレビューを区別するために訓練された詐欺検出モデルと対話する。単語の線形バッグモデルでは、トレーニング中に特徴係数にアクセスした参加者は、非説明制御と比較して、テストフェーズにおいてモデルの信頼性が大幅に低下する可能性があることを観察する。
論文参考訳（メタデータ） (2021-12-17T18:29:56Z)
Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文参考訳（メタデータ） (2021-10-22T15:03:20Z)
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)
Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文参考訳（メタデータ） (2021-02-13T07:31:16Z)
Learning Models for Actionable Recourse [31.30850378503406]
本研究では, リスクの高い個人に対して, 精度を犠牲にすることなく, 理論的に言論を保証するアルゴリズムを提案する。実データに対する広範な実験により,本手法の有効性を実証する。
論文参考訳（メタデータ） (2020-11-12T01:15:18Z)
Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文参考訳（メタデータ） (2020-10-15T16:39:26Z)
Pair the Dots: Jointly Examining Training History and Test Stimuli for Model Interpretability [44.60486560836836]
モデルからの予測は、学習履歴とテスト刺激の組み合わせによって行われる。モデルの予測を解釈する既存の方法は、テスト刺激または学習履歴の1つの側面しかキャプチャできない。本研究では,学習履歴とテスト刺激を共同で調べることで,モデルの予測を解釈しやすくするための,効率的かつ異なるアプローチを提案する。
論文参考訳（メタデータ） (2020-10-14T10:45:01Z)

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。