論文の概要: A short note on the decision tree based neural turing machine

• arxiv url: http://arxiv.org/abs/2010.14753v1
• Date: Tue, 27 Oct 2020 01:39:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 10:55:57.826611
• Title: A short note on the decision tree based neural turing machine
• Title（参考訳）: 決定木に基づくニューラルチューリングマシンについての一考察
• Authors: Yingshi Chen
• Abstract要約: チューリングマシンと決定ツリーは、長い間独立して開発されてきた。 近年の微分可能モデルの発展により、それらの間には共通点が存在する。 微分可能な森は古典的な決定木に微分可能な特性をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Turing machine and decision tree have developed independently for a long time. With the recent development of differentiable models, there is an intersection between them. Neural turing machine(NTM) opens door for the memory network. It use differentiable attention mechanism to read/write external memory bank. Differentiable forest brings differentiable properties to classical decision tree. In this short note, we show the deep connection between these two models. That is: differentiable forest is a special case of NTM. Differentiable forest is actually decision tree based neural turing machine. Based on this deep connection, we propose a response augmented differential forest (RaDF). The controller of RaDF is differentiable forest, the external memory of RaDF are response vectors which would be read/write by leaf nodes.
• Abstract（参考訳）: チューリングマシンと決定木は長い間独立して発展してきた。 最近の微分可能モデルの発展により、それらの間には交点がある。 neural turing machine(ntm)は、メモリネットワークのドアを開く。 外部メモリバンクの読み書きには、異なる注意機構を使用する。 微分可能な森は古典的な決定木に微分可能な特性をもたらす。 本稿では,この2つのモデル間の深い関係について述べる。 つまり、微分可能な森林はNTMの特殊なケースである。 異なる森林は、実際には決定木に基づく神経チューリングマシンである。 この深いつながりに基づき,RaDF (Response augmented differential forest) を提案する。 RaDFのコントローラは異なるフォレストであり、RaDFの外部メモリは応答ベクトルであり、葉ノードによって読み書きされる。

関連論文リスト

• Terminating Differentiable Tree Experts [77.2443883991608]
  本稿では,変圧器と表現生成器の組み合わせを用いて木操作を学習するニューラルシンボリック微分木機械を提案する。 まず、専門家の混在を導入することで、各ステップで使用される一連の異なるトランスフォーマーレイヤを取り除きます。 また,モデルが自動生成するステップ数を選択するための新しい終端アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T08:45:38Z)
• ViTree: Single-path Neural Tree for Step-wise Interpretable Fine-grained Visual Categorization [56.37520969273242]
  細かな視覚分類のための新しいアプローチであるViTreeを紹介する。 ツリーパスをトラバースすることで、ViTreeは変換処理された機能からパッチを効果的に選択し、情報のあるローカルリージョンをハイライトする。 このパッチとパスの選択性は、ViTreeのモデルの解釈可能性を高め、モデルの内部動作に関するより良い洞察を可能にする。
  論文  参考訳（メタデータ） (2024-01-30T14:32:25Z)
• Neural Attention Forests: Transformer-Based Forest Improvement [4.129225533930966]
  NAFモデルの主な考え方は、無作為林に注意機構を導入することである。 注意に基づくランダムフォレストのような利用可能なモデルとは対照的に、注意重みとナダラヤ・ワトソン回帰はニューラルネットワークの形で表現される。 注意機構を実装するランダムフォレストとニューラルネットワークの組み合わせは、森林予測を強化するためのトランスフォーマーを形成する。
  論文  参考訳（メタデータ） (2023-04-12T17:01:38Z)
• Multiple Instance Learning with Trainable Decision Tree Ensembles [5.482532589225552]
  新しい柔らかい決定木が検討され、よく知られた柔らかい斜めの木に類似している。 木関数を近似した特定の形のニューラルネットワークに変換することが提案されている。 また、アテンション機構を用いて、インスタンスとバッグの埋め込み(出力ベクトル)を集約することも提案されている。
  論文  参考訳（メタデータ） (2023-02-13T18:56:38Z)
• Contextual Decision Trees [62.997667081978825]
  学習アンサンブルの1つの浅い木を特徴量ベースで選択するための,マルチアームのコンテキスト付きバンドレコメンデーションフレームワークを提案する。 トレーニングされたシステムはランダムフォレスト上で動作し、最終的な出力を提供するためのベース予測器を動的に識別する。
  論文  参考訳（メタデータ） (2022-07-13T17:05:08Z)
• Making CNNs Interpretable by Building Dynamic Sequential Decision Forests with Top-down Hierarchy Learning [62.82046926149371]
  本稿では,CNN(Convlutional Neural Networks)を解釈可能なモデル転送方式を提案する。 我々は、CNNの上に微分可能な意思決定林を構築することで、これを実現する。 DDSDF(Dep Dynamic Sequential Decision Forest)と命名する。
  論文  参考訳（メタデータ） (2021-06-05T07:41:18Z)
• Kanerva++: extending The Kanerva Machine with differentiable, locally block allocated latent memory [75.65949969000596]
  エピソディックメモリとセマンティックメモリは、人間のメモリモデルの重要なコンポーネントです。 我々は、エピソードメモリとセマンティックメモリのギャップを埋める新しい原理ベイズメモリ割り当てスキームを開発しました。 この割り当て方式がメモリ条件画像生成の性能を向上させることを実証する。
  論文  参考訳（メタデータ） (2021-02-20T18:40:40Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Attention augmented differentiable forest for tabular data [0.0]
  分化可能な森林は、完全な分化可能な決定的な木々の集合体である。 本研究では,異なる森林の枠組みにおける樹木の注意ブロック(TAB)を提案する。
  論文  参考訳（メタデータ） (2020-10-02T11:42:33Z)
• Deep differentiable forest with sparse attention for the tabular data [0.0]
  分化可能な森林は、木とニューラルネットワークの両方の利点がある。 完全な微分可能性を持ち、すべての変数は学習可能なパラメータである。 異なる森林における注意機構の解明と解析を行った。
  論文  参考訳（メタデータ） (2020-02-29T09:47:13Z)

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。