論文の概要: A General Theory for the Evolution of Application Models -- Full version
- arxiv url: http://arxiv.org/abs/2105.11308v1
- Date: Tue, 18 May 2021 17:24:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 09:59:24.160501
- Title: A General Theory for the Evolution of Application Models -- Full version
- Title(参考訳): アプリケーションモデルの進化に関する一般的な理論 -- フルバージョン
- Authors: H. A. Proper and Th. P. van der Weide
- Abstract要約: この理論は、概念レベルでの基盤となる情報構造と、その進化と、情報構造とその人口に関する操作の記述と意味を区別する。
この理論の主な問題は、オブジェクトの型付け、型関連性、オブジェクトの識別である。
この一般的な理論では、基礎となるデータモデルはパラメータであり、この理論は幅広いモデリング技術に適用できる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this article we focus on evolving information systems. First a
delimitation of the concept of evolution is provided, resulting in a first
attempt to a general theory for such evolutions. The theory makes a distinction
between the underlying information structure at the conceptual level, its
evolution on the one hand, and the description and semantics of operations on
the information structure and its population on the other hand. Main issues
within this theory are object typing, type relatedness and identification of
objects. In terms of these concepts, we propose some axioms on the
well-formedness of evolution. In this general theory, the underlying data model
is a parameter, making the theory applicable for a wide range of modelling
techniques, including object-role modelling and object oriented techniques.
- Abstract(参考訳): 本稿では,情報システムの発展に焦点をあてる。
まず、進化の概念の軽視が提供され、そのような進化の一般理論への最初の試みとなる。
この理論は、概念レベルでの基盤となる情報構造、一方での進化、他方で情報構造とその集団に関する操作の説明と意味論を区別する。
この理論の主な問題は、オブジェクトの型付け、型関連性、オブジェクトの識別である。
これらの概念の観点から、進化の健全性に関するいくつかの公理を提案する。
この一般的な理論では、基礎となるデータモデルはパラメータであり、オブジェクト・ロール・モデリングやオブジェクト指向技術を含む幅広いモデリング手法に適用できる。
関連論文リスト
- Foundations and Frontiers of Graph Learning Theory [81.39078977407719]
グラフ学習の最近の進歩は、複雑な構造を持つデータを理解し分析する方法に革命をもたらした。
グラフニューラルネットワーク(GNN)、すなわちグラフ表現を学習するために設計されたニューラルネットワークアーキテクチャは、一般的なパラダイムとなっている。
本稿では,グラフ学習モデルに固有の近似と学習行動に関する理論的基礎とブレークスルーについて概説する。
論文 参考訳(メタデータ) (2024-07-03T14:07:41Z) - Learning Discrete Concepts in Latent Hierarchical Models [73.01229236386148]
自然の高次元データから学習する概念は、ヒューマンアライメントと解釈可能な機械学習モデルの構築の可能性を秘めている。
我々は概念を階層的因果モデルを通して関連付けられた離散潜在因果変数として定式化する。
我々は、理論的な主張を合成データ実験で裏付ける。
論文 参考訳(メタデータ) (2024-06-01T18:01:03Z) - An Axiomatic Approach to Model-Agnostic Concept Explanations [67.84000759813435]
本稿では、線形性、再帰性、類似性という3つの自然な公理を満たす概念的説明へのアプローチを提案する。
次に、従来の概念的説明手法とのつながりを確立し、それらの意味の異なる意味についての洞察を提供する。
論文 参考訳(メタデータ) (2024-01-12T20:53:35Z) - The Generative Programs Framework [0.0]
任意の量的物理理論は、生成プログラムの形式で表すことができると論じる。
これらのグラフは「存在論的優先関係の符号化」と解釈でき、存在論的優先関係は因果関係の適切な一般化である。
論文 参考訳(メタデータ) (2023-07-21T00:57:05Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳(メタデータ) (2023-06-07T21:35:26Z) - A Category-theoretical Meta-analysis of Definitions of Disentanglement [97.34033555407403]
データの変化の要因を識別することは、機械学習の基本的な概念である。
本稿では,既存の乱れの定義をメタ分析する。
論文 参考訳(メタデータ) (2023-05-11T15:24:20Z) - Brain Principles Programming [0.3867363075280543]
脳原理プログラミング(Brain Principles Programming、BPP)は、脳の働きの普遍的なメカニズム(原理)を情報と共に定式化したものである。
この論文は以下の理論の数学的モデルとアルゴリズムを用いている。
論文 参考訳(メタデータ) (2022-02-13T13:41:44Z) - Towards a Theory of Evolution as Multilevel Learning [0.0]
生命の起源を含む生物学的進化の理論を多段階学習として発展させるために, 物理的に再正規化可能なシステムに学習理論を適用した。
我々は、宇宙を観測可能なものにするのに必要で十分と思われる進化の7つの基本原理を定式化する。
これらの原理は、複製や自然選択を含む生物進化の主要な特徴を包含していることを示す。
論文 参考訳(メタデータ) (2021-10-27T17:21:16Z) - Formalising Concepts as Grounded Abstractions [68.24080871981869]
このレポートは、表現学習が生データから概念を誘導する方法を示しています。
このレポートの主な技術的目標は、表現学習のテクニックが概念空間の格子理論的定式化とどのように結婚できるかを示すことである。
論文 参考訳(メタデータ) (2021-01-13T15:22:01Z)
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。