論文の概要: Predicate Invention by Learning From Failures

• arxiv url: http://arxiv.org/abs/2104.14426v1
• Date: Thu, 29 Apr 2021 15:44:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-30 17:43:51.109696
• Title: Predicate Invention by Learning From Failures
• Title（参考訳）: 失敗から学ぶことによる述語発明
• Authors: Andrew Cropper and Rolf Morel
• Abstract要約: 帰納論理プログラミング(ILP)では、新しい高レベル概念の発見は述語発明(PI)として知られている。 本稿では,PI問題を解集合プログラミング問題として定式化するIPPシステムであるPOPPIを紹介する。 本実験では, (i) PIが学習性能を飛躍的に向上させること, (ii) PIがコストがかかりすぎないこと, (iii) POPPIが既存のIPPシステムを大幅に上回ることを示した。
• 参考スコア（独自算出の注目度）: 24.671396651514982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering novel high-level concepts is one of the most important steps needed for human-level AI. In inductive logic programming (ILP), discovering novel high-level concepts is known as predicate invention (PI). Although seen as crucial since the founding of ILP, PI is notoriously difficult and most ILP systems do not support it. In this paper, we introduce POPPI, an ILP system that formulates the PI problem as an answer set programming problem. Our experiments show that (i) PI can drastically improve learning performance when useful, (ii) PI is not too costly when unnecessary, and (iii) POPPI can substantially outperform existing ILP systems.
• Abstract（参考訳）: 新たなハイレベルな概念を発見することは、人間レベルのAIに必要な最も重要なステップの1つだ。 帰納論理プログラミング(ILP)では、新しいハイレベルな概念の発見は述語発明(PI)として知られている。 ILPの設立以来重要視されているが、PIは極めて困難であり、ほとんどのILPシステムはそれをサポートしない。 本稿では,PI問題を解集合プログラミング問題として定式化するLPシステムであるPOPPIを紹介する。 実験の結果, (i) PIは有用であれば学習性能を劇的に向上させることができ, (ii) PIは不要であればあまりコストがかからず, (iii) POPPIは既存のIPPシステムよりも大幅に向上することがわかった。

関連論文リスト

• Rethinking Knowledge Transfer in Learning Using Privileged Information [13.073942036130486]
  教師付き機械学習において、特権情報(英: privileged information, PI)とは、推論時に利用できないが、訓練期間中に利用できる情報である。 特権情報(LUPI)を用いた学習の研究は、PIで取得した知識をPIなしで推論できるモデルに転送することを目的としている。 LUPIがいつ動作するべきかという理論的根拠はほとんどない。
  論文  参考訳（メタデータ） (2024-08-26T14:51:26Z)
• Pi-DUAL: Using Privileged Information to Distinguish Clean from Noisy Labels [47.85182773875054]
  クリーンなラベルを識別するために特権情報(PI)を利用するアーキテクチャであるPi-DUALを導入する。 Pi-DUALは、主要なPIベンチマークで大幅なパフォーマンス向上を実現し、新しい最先端のテストセットの精度を確立する。 Pi-DUALは、PIを用いた様々な現実シナリオにおけるラベルノイズの影響を軽減するための、シンプルでスケーラブルで実践的なアプローチである。
  論文  参考訳（メタデータ） (2023-10-10T13:08:50Z)
• When does Privileged Information Explain Away Label Noise? [66.9725683097357]
  ラベルノイズを除去する際のPIの特性の違いによる役割について検討する。 ネットワークがノイズの多いデータとクリーンなデータを容易に区別できる場合、PIが最も役立ちます。 本稿では,最新のPI手法のいくつかの改良を提案し,ラベルノイズに対処する手段としてのPIの可能性を示す。
  論文  参考訳（メタデータ） (2023-03-03T09:25:39Z)
• Revisiting PINNs: Generative Adversarial Physics-informed Neural Networks and Point-weighting Method [70.19159220248805]
  物理インフォームドニューラルネットワーク(PINN)は、偏微分方程式(PDE)を数値的に解くためのディープラーニングフレームワークを提供する 本稿では,GA機構とPINNの構造を統合したGA-PINNを提案する。 本稿では,Adaboost法の重み付け戦略からヒントを得て,PINNのトレーニング効率を向上させるためのPW法を提案する。
  論文  参考訳（メタデータ） (2022-05-18T06:50:44Z)
• Preprocessing in Inductive Logic Programming [0.0]
  この論文は、IPPシステムの初期制約を生成する方法であるボトム前処理を導入している。 ボトム前処理は、逆エンターメントのアイデアを現代のILPシステムに適用する。 実験により, 底面前処理は, 難題におけるILPシステムの学習時間を短縮できることが示された。
  論文  参考訳（メタデータ） (2021-12-21T16:01:28Z)
• 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)
• Conflict-driven Inductive Logic Programming [3.29505746524162]
  帰納的論理プログラミング(ILP)の目標は、一連の例を説明するプログラムを学ぶことである。 近年まで、ICPがターゲットとするPrologプログラムの研究がほとんどである。 ILASP システムは代わりに Answer Set Programs (ASP) を学ぶ
  論文  参考訳（メタデータ） (2020-12-31T20:24:28Z)
• The ILASP system for Inductive Learning of Answer Set Programs [79.41112438865386]
  我々のシステムは、通常の規則、選択規則、厳しい制約を含むアンサーセットプログラムを学習する。 まず、ILASPの学習フレームワークとその機能の概要を説明します。 続いて、ILASPシステムの進化を概観する。
  論文  参考訳（メタデータ） (2020-05-02T19:04:12Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

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。