Fugu-MT 論文翻訳(概要): Computability-logic web: an alternative to deep learning

論文の概要: Computability-logic web: an alternative to deep learning

arxiv url: http://arxiv.org/abs/2101.09222v1
Date: Fri, 20 Nov 2020 12:46:05 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 06:15:03.618492
Title: Computability-logic web: an alternative to deep learning
Title（参考訳）: 計算可能性-論理ウェブ:深層学習の代替
Authors: Keehang Kwon
Abstract要約: CoL の Web 拡張である CoL-web が,データベース更新に関わる Web プログラミングを自然にサポートすることを示す。私たちは、CoL-webは一般的なAIをサポートしており、ニューラルネットやディープラーニングの優れた代替手段であると主張している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: {\em Computability logic} (CoL) is a powerful, mathematically rigorous computational model. In this paper, we show that CoL-web, a web extension to CoL, naturally supports web programming where database updates are involved. To be specific, we discuss an implementation of the AI ATM based on CoL (CL9 to be exact). More importantly, we argue that CoL-web supports a general AI and, therefore, is a good alternative to neural nets and deep learning. We also discuss how to integrate neural nets into CoL-web.
Abstract（参考訳）: {\em Computability logic} (CoL) は、強力で数学的に厳密な計算モデルである。本稿では,CoLのWeb拡張であるCoL-webが,データベース更新に関わるWebプログラミングを自然にサポートすることを示す。具体的には、CoL(CL9)に基づくAIATMの実装について議論する。さらに重要なのは、CoL-webは一般的なAIをサポートしており、ニューラルネットワークやディープラーニングの優れた代替手段である、ということです。また、ニューラルネットワークをCoL-webに統合する方法についても論じる。

関連論文リスト

Quantum Machine Learning: A Hands-on Tutorial for Machine Learning Practitioners and Researchers [51.03113410951073]
このチュートリアルでは、AIのバックグラウンドを持つ読者を量子機械学習(QML)に紹介する。自己整合性については、基本原理、代表的QMLアルゴリズム、潜在的な応用、トレーニング容易性、一般化、計算複雑性といった重要な側面を取り上げる。
論文参考訳（メタデータ） (2025-02-03T08:33:44Z)
Deep Learning with CNNs: A Compact Holistic Tutorial with Focus on Supervised Regression (Preprint) [0.0]
このチュートリアルは、畳み込みニューラルネットワーク(CNN)と教師付き回帰に焦点を当てている。最も関連する概念を要約するだけでなく、それぞれを深く掘り下げて、完全なアジャイルのアイデアセットを提供する。本チュートリアルは,Deep Learningの基礎を理解することに関心のある学生,教授,研究者にとって最適な情報源となることを目的としている。
論文参考訳（メタデータ） (2024-08-22T11:34:34Z)
MODL: Multilearner Online Deep Learning [23.86544389731734]
既存の作業はほとんど、純粋なディープラーニングソリューションの探索に重点を置いています。我々は,ハイブリッドマルチラーナーアプローチに基づく,異なるパラダイムを提案する。提案手法は,一般的なオンライン学習データセットにおいて,最先端の学習結果が得られることを示す。
論文参考訳（メタデータ） (2024-05-28T15:34:33Z)
When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
論文参考訳（メタデータ） (2023-08-29T17:22:39Z)
Great Truths are Always Simple: A Rather Simple Knowledge Encoder for Enhancing the Commonsense Reasoning Capacity of Pre-Trained Models [89.98762327725112]
自然言語における常識推論は、人工知能システムの望ましい能力である。複雑なコモンセンス推論タスクを解決するための典型的な解決策は、知識対応グラフニューラルネットワーク(GNN)エンコーダで事前訓練された言語モデル(PTM)を強化することである。有効性にもかかわらず、これらのアプローチは重いアーキテクチャ上に構築されており、外部知識リソースがPTMの推論能力をどのように改善するかを明確に説明できない。
論文参考訳（メタデータ） (2022-05-04T01:27:36Z)
ExAIS: Executable AI Semantics [4.092001692194709]
ニューラルネットワークは、プログラマの心の中で(しばしば非公式に)論理的推論を通じて、より複雑なプログラムを構築する代わりに、汎用的なニューラルネットワークモデルをビッグデータで最適化することで、新しいプログラミングパラダイムとみなすことができる。この新しいパラダイムでは、PyTorchのようなAIフレームワークが重要な役割を果たす。プログラミング言語(Cなど)の適切な意味論が欠如していること、すなわちコンパイラの正当性仕様が、多くの問題のあるプログラムの動作やセキュリティ問題に寄与していることが知られている。
論文参考訳（メタデータ） (2022-02-20T17:33:34Z)
Dive into Deep Learning [119.30375933463156]
この本はJupyterのノートブックでドラフトされており、説明図、数学、インタラクティブな例を自己完結型コードとシームレスに統合している。私たちのゴールは、(i)誰でも自由に利用できるリソースを提供すること、(ii)応用機械学習科学者になるための出発点を提供するのに十分な技術的な深さを提供すること、(iii)実行可能なコードを含み、実際にどのように問題を解決するかを読者に示すこと、(iv)私たちとコミュニティの両方による迅速なアップデートを可能にすることです。
論文参考訳（メタデータ） (2021-06-21T18:19:46Z)
COSEA: Convolutional Code Search with Layer-wise Attention [90.35777733464354]
我々は、畳み込みニューラルネットワークを階層的注意で活用し、コード固有の構造論理をキャプチャする新しいディープラーニングアーキテクチャ、COSEAを提案する。 COSEAは、コード検索タスクの最先端メソッドよりも大幅に改善できる。
論文参考訳（メタデータ） (2020-10-19T13:53:38Z)
Implementing Agent-Based Systems via Computability Logic CL2 [0.0]
計算可能性論理(CoL)は自然にリソースが関与するマルチエージェントプログラミングモデルをサポートすることを示す。我々は、CoL(CL2を正確には)に基づくスターバックスの実装について議論する。
論文参考訳（メタデータ） (2020-10-18T06:07:32Z)
Applications of Deep Neural Networks with Keras [0.0]
ディープラーニングにより、ニューラルネットワークは人間の脳の機能のような方法で情報の階層を学習することができる。本コースでは,従来のニューラルネットワーク構造であるConversa Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Neural Networks (GRU), General Adrial Networks (GAN)を紹介する。
論文参考訳（メタデータ） (2020-09-11T22:09:10Z)
The NetHack Learning Environment [79.06395964379107]
本稿では、強化学習研究のための手続き的に生成されたローグのような環境であるNetHack Learning Environment(NLE)を紹介する。我々は,NetHackが,探索,計画,技術習得,言語条件付きRLといった問題に対する長期的な研究を促進するのに十分複雑であると主張している。我々は,分散されたDeep RLベースラインとランダムネットワーク蒸留探索を用いて,ゲームの初期段階における実験的な成功を示す。
論文参考訳（メタデータ） (2020-06-24T14:12:56Z)

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。