論文の概要: Tree of Knowledge: an Online Platform for Learning the Behaviour of Complex Systems

• arxiv url: http://arxiv.org/abs/2103.03666v1
• Date: Sat, 27 Feb 2021 19:39:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 07:55:10.163751
• Title: Tree of Knowledge: an Online Platform for Learning the Behaviour of Complex Systems
• Title（参考訳）: Tree of Knowledge: 複雑なシステムの振る舞いを学習するためのオンラインプラットフォーム
• Authors: Benedikt T. Kleppmann
• Abstract要約: treeofknowledgeは複雑なシステムから複雑な振る舞いを学ぶために特別に設計された新しい方法論を実装している。 多くの異種データセットからエージェントの振る舞いを学び、興味の現象が直接観察されていなくても、これらのデータセットから学習することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many social sciences such as psychology and economics try to learn the behaviour of complex agents such as humans, organisations and countries. The current statistical methods used for learning this behaviour try to infer generally valid behaviour, but can only learn from one type of study at a time. Furthermore, only data from carefully designed studies can be used, as the phenomenon of interest has to be isolated and confounding factors accounted for. These restrictions limit the robustness and accuracy of insights that can be gained from social/economic systems. Here we present the online platform TreeOfKnowledge which implements a new methodology specifically designed for learning complex behaviours from complex systems: agent-based behaviour learning. With agent-based behaviour learning it is possible to gain more accurate and robust insights as it does not have the restriction of conventional statistics. It learns agent behaviour from many heterogenous datasets and can learn from these datasets even if the phenomenon of interest is not directly observed, but appears deep within complex systems. This new methodology shows how the internet and advances in computational power allow for more accurate and powerful mathematical models.
• Abstract（参考訳）: 心理学や経済学のような多くの社会科学は、人間、組織、国家のような複雑なエージェントの振る舞いを学ぼうとしている。 この行動を学ぶために用いられる現在の統計的手法は、一般的に有効な振る舞いを推測しようとするが、一度にひとつの研究からしか学べない。 さらに、関心の現象を分離し、結合する要因を考慮しなければならないため、注意深く設計された研究からのデータのみ使用できる。 これらの制限は、社会・経済システムから得られる洞察の堅牢性と正確性を制限する。 ここでは,複雑なシステムから複雑な振る舞いを学習するための新しい方法論であるエージェントベースの振る舞い学習を実装したオンラインプラットフォーム treeofknowledge を提案する。 エージェントベースの行動学習では、従来の統計学の制約がないため、より正確で堅牢な洞察を得ることができる。 多くの異種データセットからエージェントの振る舞いを学習し、たとえ興味の現象が直接観察されていないとしても、複雑なシステムの中で深く見えるとしても、これらのデータセットから学習することができる。 この新たな方法論は、インターネットと計算能力の進歩がより正確で強力な数学的モデルを実現する方法を示している。

関連論文リスト

• Learning to refine domain knowledge for biological network inference [2.209921757303168]
  摂動実験により、生物学者は興味のある変数間の因果関係を発見することができる。 これらのデータの空間性と高次元性は因果構造学習アルゴリズムに重大な課題をもたらす。 そこで本研究では,データ観測に基づくドメイン知識の補修アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T12:53:23Z)
• Breaking the Curse of Dimensionality in Deep Neural Networks by Learning Invariant Representations [1.9580473532948401]
  この論文は、これらのモデルのアーキテクチャとそれらが処理するデータ内の固有の構造との関係を研究することによって、ディープラーニングの理論的基礎を探求する。 ディープラーニングアルゴリズムの有効性を駆動するものは何か,いわゆる次元の呪いに勝てるのか,と問う。 本手法は,実験的な研究と物理に触発された玩具モデルを組み合わせることによって,深層学習に実証的なアプローチをとる。
  論文  参考訳（メタデータ） (2023-10-24T19:50:41Z)
• Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
  予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
  論文  参考訳（メタデータ） (2023-08-15T16:37:16Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• An Entropy-Based Model for Hierarchical Learning [3.1473798197405944]
  実世界のデータセットに共通する特徴は、データドメインがマルチスケールであることである。 本稿では,このマルチスケールデータ構造を利用した学習モデルを提案する。 階層的な学習モデルは、人間の論理的かつ進歩的な学習メカニズムにインスパイアされている。
  論文  参考訳（メタデータ） (2022-12-30T13:14:46Z)
• Learning unseen coexisting attractors [0.0]
  貯留層コンピューティング(Reservoir computing)は、動的システムの代理モデルを生成する機械学習アプローチである。 ここでは、異なる時間スケールと複数の共存する動的状態(トラクター)の両方を持つ力学系を学習する際の課題について研究する。 次世代貯水池コンピューティングアプローチでは、トレーニングデータが少ない$sim 1.7倍、短いウォームアップ時間が必要な$103倍、既存のアトラクタ特性を予測する上で、$sim 100times$高い精度を持つことを示す。
  論文  参考訳（メタデータ） (2022-07-28T14:55:14Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
  少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。 行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。 本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
  論文  参考訳（メタデータ） (2021-06-23T03:43:10Z)
• Data-driven Analysis for Understanding Team Sports Behaviors [1.1844977816228044]
  チームスポーツなどの実世界の生物的マルチエージェント行動に関する規則は、しばしばほとんど不明である。 データからのルールの推定、すなわち機械学習のようなデータ駆動アプローチは、そのような行動の分析に効果的な方法を提供する。 本調査は,バスケットボールやサッカーなどのチーム内スポーツ行動の定量的理解のためのデータ駆動分析に焦点を当てた。
  論文  参考訳（メタデータ） (2021-02-15T13:31:45Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)

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。

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。