論文の概要: Specialization in Hierarchical Learning Systems

• arxiv url: http://arxiv.org/abs/2011.01845v1
• Date: Tue, 3 Nov 2020 17:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 04:07:39.980592
• Title: Specialization in Hierarchical Learning Systems
• Title（参考訳）: 階層型学習システムにおける特殊化
• Authors: Heinke Hihn and Daniel A. Braun
• Abstract要約: 我々は,専門家の階層における情報制約が,正規化の原則的方法を提供するだけでなく,専門化の強制にもどの程度役立つかを検討する。 我々は,問題空間を複数のサブプロブレムに分割し,個々の専門家が解決できる情報理論に基づくオンライン学習ルールを考案する。 本稿では, 分類, 回帰, 密度推定, 強化学習問題など, 様々な問題に対するアプローチの適用性について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joining multiple decision-makers together is a powerful way to obtain more sophisticated decision-making systems, but requires to address the questions of division of labor and specialization. We investigate in how far information constraints in hierarchies of experts not only provide a principled method for regularization but also to enforce specialization. In particular, we devise an information-theoretically motivated on-line learning rule that allows partitioning of the problem space into multiple sub-problems that can be solved by the individual experts. We demonstrate two different ways to apply our method: (i) partitioning problems based on individual data samples and (ii) based on sets of data samples representing tasks. Approach (i) equips the system with the ability to solve complex decision-making problems by finding an optimal combination of local expert decision-makers. Approach (ii) leads to decision-makers specialized in solving families of tasks, which equips the system with the ability to solve meta-learning problems. We show the broad applicability of our approach on a range of problems including classification, regression, density estimation, and reinforcement learning problems, both in the standard machine learning setup and in a meta-learning setting.
• Abstract（参考訳）: 複数の意思決定者を統合することは、より洗練された意思決定システムを得る強力な方法であるが、労働分業と専門化の問題に対処する必要がある。 我々は,専門家の階層における情報制約が,正規化の原則的方法を提供するだけでなく,専門化の強制にもどの程度役立つかを検討する。 特に,個々の専門家が解決可能な問題空間を複数のサブ問題に分割することを可能にする,情報理論に動機づけられたオンライン学習ルールを考案する。 方法を適用するための2つの異なる方法を示します。 (i)個別データサンプルに基づく分割問題、及び (ii)タスクを表すデータサンプルの集合に基づく。 アプローチ (i)地域の専門家意思決定者の最適な組み合わせを見つけることにより、複雑な意思決定問題を解決する能力を備える。 アプローチ (ii) 課題のファミリーの解決を専門とする意思決定者につながり, メタラーニング問題を解く能力を備える。 本手法は,標準的な機械学習設定とメタ学習設定の両方において,分類,回帰,密度推定,強化学習問題など幅広い問題に適用できることを示す。

関連論文リスト

• A Unifying Post-Processing Framework for Multi-Objective Learn-to-Defer Problems [6.046591474843391]
  Learn-to-Deferは、学習アルゴリズムが独立した作業ではなく、人間専門家のチームとして機能することを可能にするパラダイムである。 本稿では,様々な制約下での学習・遅延システムに対するベイズ最適解を求める。 本アルゴリズムは,一組のベースラインに対する制約違反による改善を示す。
  論文  参考訳（メタデータ） (2024-07-17T16:32:30Z)
• Eliciting Problem Specifications via Large Language Models [4.055489363682198]
  大型言語モデル(LLM)は、問題クラスを半形式仕様にマッピングするために利用することができる。 認知システムは、問題空間仕様を使用して、問題クラスからの問題の複数のインスタンスを解決することができる。
  論文  参考訳（メタデータ） (2024-05-20T16:19:02Z)
• Explainable Data-Driven Optimization: From Context to Decision and Back Again [76.84947521482631]
  データ駆動最適化では、コンテキスト情報と機械学習アルゴリズムを使用して、不確実なパラメータによる決定問題の解決策を見つける。 本稿では,データ駆動型問題に対する解法を説明するために,対実的説明手法を提案する。 在庫管理やルーティングといった運用管理における重要な問題を説明することで,我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2023-01-24T15:25:16Z)
• On solving decision and risk management problems subject to uncertainty [91.3755431537592]
  不確実性は意思決定とリスク管理において広範囲にわたる課題である。 本稿では,このような戦略を体系的に理解し,その適用範囲を判断し,それらをうまく活用するための枠組みを開発する。
  論文  参考訳（メタデータ） (2023-01-18T19:16:23Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• A Practical Guide to Multi-Objective Reinforcement Learning and Planning [24.81310809455139]
  本論文は, 困難な問題に対する多対象的手法の適用の指針となる。 望ましい解の性質に影響を与える可能性のある因子を識別する。 これは、これらが多目的意思決定システムの設計にどのように影響するかを例示する。
  論文  参考訳（メタデータ） (2021-03-17T11:07:28Z)
• CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
  最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。 このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。 本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
  論文  参考訳（メタデータ） (2021-02-24T09:16:10Z)
• Decision Rule Elicitation for Domain Adaptation [93.02675868486932]
  ヒトインザループ機械学習は、専門家からラベルを引き出すために人工知能(AI)で広く使用されています。 この作業では、専門家が意思決定を説明する決定ルールを作成できるようにします。 決定規則の適用はアルゴリズムのドメイン適応を改善し、専門家の知識をAIモデルに広めるのに役立つことを示す。
  論文  参考訳（メタデータ） (2021-02-23T08:07:22Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。

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。