Fugu-MT 論文翻訳(概要): Multi-Context Systems: Dynamics and Evolution (Pre-Print of "Multi-context systems in dynamic environments")

論文の概要: Multi-Context Systems: Dynamics and Evolution (Pre-Print of "Multi-context systems in dynamic environments")

arxiv url: http://arxiv.org/abs/2106.06780v1
Date: Sat, 12 Jun 2021 13:52:49 GMT
ステータス: 処理完了
システム内更新日: 2021-06-15 16:09:12.772980
Title: Multi-Context Systems: Dynamics and Evolution (Pre-Print of "Multi-context systems in dynamic environments")
Title（参考訳）: マルチコンテキストシステム:ダイナミクスと進化("ダイナミック環境におけるマルチコンテキストシステム"のプレプリント)
Authors: Pedro Cabalar and Stefania Costantini and Giovanni De Gasperis and Andrea Formisano
Abstract要約: 橋梁ルールの定義と適用における柔軟性と汎用性を高める方法について検討する。特に,動的環境の実用化に有用なMCSの形式的拡張について紹介し,議論する。
参考スコア（独自算出の注目度）: 3.266512342020389
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-Context Systems (MCS) model in Computational Logic distributed systems composed of heterogeneous sources, or "contexts", interacting via special rules called "bridge rules". In this paper, we consider how to enhance flexibility and generality in bridge-rules definition and application. In particular, we introduce and discuss some formal extensions of MCSs useful for a practical use in dynamic environments, and we try to provide guidelines for implementations
Abstract（参考訳）: 計算論理系におけるマルチコンテキストシステム(MCS)モデルは「ブリッジルール」と呼ばれる特別なルールを介して相互作用する異種ソース("contexts")から構成される。本稿では,橋梁ルール定義および適用における柔軟性と汎用性の向上について考察する。特に、動的環境における実践的利用に役立つMCSの形式的拡張について紹介し、議論し、実装ガイドラインの提供を試みる。

関連論文リスト

A process algebraic framework for multi-agent dynamic epistemic systems [55.2480439325792]
本稿では,マルチエージェント,知識ベース,動的システムのモデリングと解析のための統合フレームワークを提案する。モデリング側では,このようなフレームワークを実用的な目的に使いやすくするプロセス代数的,エージェント指向の仕様言語を提案する。
論文参考訳（メタデータ） (2024-07-24T08:35:50Z)
POEM: Interactive Prompt Optimization for Enhancing Multimodal Reasoning of Large Language Models [28.072184039405784]
大規模言語モデル(LLM)の効率的なプロンプトエンジニアリングを容易にするビジュアル分析システムであるPOEMを提案する。本システムは,様々なプロンプトによって引き起こされるマルチモーダル知識を包括的に理解するために,モジュール間の相互作用パターンを様々な詳細レベルで探索することを可能にする。
論文参考訳（メタデータ） (2024-06-06T08:21:30Z)
MMICT: Boosting Multi-Modal Fine-Tuning with In-Context Examples [63.78384552789171]
本稿では,新しいマルチモーダル微調整パラダイムであるMMICTを紹介する。 M-Hub(Multi-Modal Hub)は,異なる入力や目的に応じて様々なマルチモーダル特徴をキャプチャするモジュールである。 M-Hubに基づいてMMICTは、MM-LLMがコンテキスト内視覚誘導されたテキスト特徴から学習し、その後、テキスト誘導された視覚特徴に基づいて条件付き出力を生成する。
論文参考訳（メタデータ） (2023-12-11T13:11:04Z)
Invariant Causal Imitation Learning for Generalizable Policies [87.51882102248395]
Invariant Causal Learning (ICIL) を提案する。 ICILはノイズ変数の特定の表現から切り離された因果的特徴の表現を学習する。 ICILは、目に見えない環境に一般化可能な模倣ポリシーの学習に有効であることを示す。
論文参考訳（メタデータ） (2023-11-02T16:52:36Z)
Revisiting Disentanglement and Fusion on Modality and Context in Conversational Multimodal Emotion Recognition [81.2011058113579]
特徴の多様性と会話の文脈化は、特徴の絡み合いと融合の段階において、同時に適切にモデル化されるべきである。マルチモーダル・コンテキスト統合のためのコントリビューション・アウェア・フュージョン・メカニズム(CFM)とコンテキスト・リフュージョン・メカニズム(CRM)を提案する。我々のシステムは、新しい最先端のパフォーマンスを一貫して達成する。
論文参考訳（メタデータ） (2023-08-08T18:11:27Z)
SpReME: Sparse Regression for Multi-Environment Dynamic Systems [6.7053978622785415]
本研究では,SpReMEと呼ばれるスパースレグレッションの手法を開発し,複数の環境を基盤とする主要な力学を明らかにする。提案モデルでは,予測性能を向上した4つの動的システム上で,複数の環境から正しいダイナミクスを捕捉することを示した。
論文参考訳（メタデータ） (2023-02-12T15:45:50Z)
Learning Visual Representation from Modality-Shared Contrastive Language-Image Pre-training [88.80694147730883]
本稿では,多種多様なモダリティ共有コントラスト言語-画像事前学習(MS-CLIP)フレームワークについて検討する。学習条件下では、視覚と言語信号のためのほとんど統一されたエンコーダが、より多くのパラメータを分離する他のすべてのバリエーションより優れていることが観察された。我々のアプローチは、24の下流視覚タスクのコレクションに基づいて、線形探索においてバニラCLIPを1.6ポイント上回ります。
論文参考訳（メタデータ） (2022-07-26T05:19:16Z)
Generalizing to New Physical Systems via Context-Informed Dynamics Model [0.0]
文脈インフォームド・ダイナミックス適応(CoDA)のための新しいフレームワークを提案する。 CoDAは、各環境固有のコンテキストパラメータに動的モデルを適用することを学ぶ。様々なアプリケーション領域を表す非線形ダイナミクスの集合に対して、最先端の一般化結果を示す。
論文参考訳（メタデータ） (2022-02-01T07:41:10Z)
A Reinforcement Learning Environment for Multi-Service UAV-enabled Wireless Systems [4.0393766449982085]
我々は、様々なアプリケーションコンテキストで異なる通信サービスを提供する自律型UAVのための多目的環境を設計する。我々は,実運用環境の異なる特性をシミュレートするために,openai gymフレームワークに基づく環境を開発する。結果のポリシーの品質は、システムを評価するための単純なベースラインと比較され、さまざまなユースケースでこの技術を採用するためのガイドラインを導き出します。
論文参考訳（メタデータ） (2021-05-11T14:45:24Z)
Invariant Causal Prediction for Block MDPs [106.63346115341862]
環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
論文参考訳（メタデータ） (2020-03-12T21:03:01Z)

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。