Fugu-MT 論文翻訳(概要): Solving Machine Learning Problems

論文の概要: Solving Machine Learning Problems

arxiv url: http://arxiv.org/abs/2107.01238v1
Date: Fri, 2 Jul 2021 18:52:50 GMT
ステータス: 処理完了
システム内更新日: 2021-07-07 13:10:08.458025
Title: Solving Machine Learning Problems
Title（参考訳）: 機械学習の問題を解決する
Authors: Sunny Tran, Pranav Krishna, Ishan Pakuwal, Prabhakar Kafle, Nikhil Singh, Jayson Lynch, Iddo Drori
Abstract要約: この研究は、大学卒のレベルコースから機械学習の問題を解決するために、機械学習モデルを訓練する。我々は、MITの6.036のIntroduction to Machine Learningコースから、コース演習、宿題、クイズ質問からなる、新しいトレーニングセットと回答を生成する。本システムでは,MIT学生の平均93%に対して,オープン応答質問では96%,マルチチョイス質問では97%の総合的精度を示した。
参考スコア（独自算出の注目度）: 0.315565869552558
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Can a machine learn Machine Learning? This work trains a machine learning model to solve machine learning problems from a University undergraduate level course. We generate a new training set of questions and answers consisting of course exercises, homework, and quiz questions from MIT's 6.036 Introduction to Machine Learning course and train a machine learning model to answer these questions. Our system demonstrates an overall accuracy of 96% for open-response questions and 97% for multiple-choice questions, compared with MIT students' average of 93%, achieving grade A performance in the course, all in real-time. Questions cover all 12 topics taught in the course, excluding coding questions or questions with images. Topics include: (i) basic machine learning principles; (ii) perceptrons; (iii) feature extraction and selection; (iv) logistic regression; (v) regression; (vi) neural networks; (vii) advanced neural networks; (viii) convolutional neural networks; (ix) recurrent neural networks; (x) state machines and MDPs; (xi) reinforcement learning; and (xii) decision trees. Our system uses Transformer models within an encoder-decoder architecture with graph and tree representations. An important aspect of our approach is a data-augmentation scheme for generating new example problems. We also train a machine learning model to generate problem hints. Thus, our system automatically generates new questions across topics, answers both open-response questions and multiple-choice questions, classifies problems, and generates problem hints, pushing the envelope of AI for STEM education.
Abstract（参考訳）: 機械は機械学習を学べるのか? この研究は、機械学習モデルをトレーニングして、大学の学部レベルのコースから機械学習問題を解決する。我々は、MITの6.036のIntroduction to Machine Learningコースからコース演習、宿題、クイズ質問からなる新しいトレーニングセットを作成し、これらの質問に答えるために機械学習モデルをトレーニングします。本システムでは,MIT学生の平均93%に対して,オープン応答質問では96%,マルチチョイス質問では97%の総合的精度をリアルタイムで達成している。質問はコースで教えられた12のトピックすべてをカバーする。 i)基本的な機械学習原則、(ii)パーセプトロン、(iii)特徴抽出と選択、(iv)ロジスティック回帰、(v)回帰、(vi)ニューラルネットワーク、(vi)高度なニューラルネットワーク、(viii)畳み込みニューラルネットワーク、(ix)リカレントニューラルネットワーク、(x)ステートマシンとmdp、(xi)強化学習、(xii)決定木。本システムは,グラフとツリー表現を備えたエンコーダデコーダアーキテクチャ内でTransformerモデルを使用する。私たちのアプローチの重要な側面は、新しい例問題を生成するためのデータ提供スキームです。また、問題ヒントを生成するために機械学習モデルをトレーニングします。そこで,本システムは,トピック間の新たな質問を自動的に生成し,オープン応答質問と複数質問の両方に回答し,問題を分類し,問題ヒントを生成し,stem教育のためのaiの包含を押し上げる。

関連論文リスト

The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文参考訳（メタデータ） (2023-06-30T17:59:13Z)
Are Deep Neural Networks SMARTer than Second Graders? [85.60342335636341]
6～8歳児を対象としたビジュオ言語パズルの解法において,ニューラルネットワークの抽象化,推論,一般化能力の評価を行った。我々のデータセットは101のユニークなパズルで構成されており、各パズルは絵の質問で構成されており、それらの解には算術、代数学、空間推論を含むいくつかの基本的なスキルが混在している必要がある。実験により、強力なディープモデルは教師付き設定でパズルに合理的な性能を与えるが、一般化のために解析するとランダムな精度よりは良くないことが明らかになった。
論文参考訳（メタデータ） (2022-12-20T04:33:32Z)
From Human Days to Machine Seconds: Automatically Answering and Generating Machine Learning Final Exams [10.25071232250652]
MIT、ハーバード大学、コーネル大学などのトップ機関での機械学習の最終試験は、書くのに何日もかかり、生徒は解決するのに何時間もかかる。大規模な言語モデルは、トレーニング後のオンラインのファイナルで、人間のレベルで機械学習のファイナルをパスし、新しい品質のファイナル質問を数秒で自動生成することを示した。
論文参考訳（メタデータ） (2022-06-11T06:38:06Z)
Solving Linear Algebra by Program Synthesis [1.0660480034605238]
我々は、MITのLinear Algebra 18.06コースとコロンビア大学のComputational Linear Algebra COMS3251コースを、インタラクティブなプログラム合成によって完全な精度で解決する。この驚くほど強い結果は、コース質問をプログラミングタスクに変換し、プログラムを実行して正しい回答を生成することで達成されます。
論文参考訳（メタデータ） (2021-11-16T01:16:43Z)
MixQG: Neural Question Generation with Mixed Answer Types [54.23205265351248]
このギャップを埋めるために、ニューラル質問生成器MixQGを提案する。 yes/no, multiple-choice, extractive, abstractive answerなど,9つの質問応答データセットと多様な回答タイプを組み合わせる。私たちのモデルは、目に見えない領域と見えない領域の両方で、既存の作業より優れています。
論文参考訳（メタデータ） (2021-10-15T16:03:40Z)
Reservoir Stack Machines [77.12475691708838]
メモリ拡張ニューラルネットワークは、情報ストレージを必要とするタスクをサポートするために、明示的なメモリを備えたリカレントニューラルネットワークを備える。本研究では,全ての決定論的文脈自由言語を確実に認識できるモデルである貯水池スタックマシンを導入する。以上の結果から, 貯水池スタックマシンは, 訓練データよりも長い試験シーケンスでもゼロ誤差を達成できることがわかった。
論文参考訳（メタデータ） (2021-05-04T16:50:40Z)
Conditional physics informed neural networks [85.48030573849712]
固有値問題のクラス解を推定するための条件付きPINN(物理情報ニューラルネットワーク)を紹介します。一つのディープニューラルネットワークが、問題全体に対する偏微分方程式の解を学習できることが示される。
論文参考訳（メタデータ） (2021-04-06T18:29:14Z)
Interpretable Machine Learning: Fundamental Principles and 10 Grand Challenges [27.87985973854223]
機械学習(ML)の解釈可能性は、高い利害決定とトラブルシューティングに不可欠である。本研究では,MLを解釈するための基本原則を提供し,一般的な誤解を解消する。我々は、解釈可能な機械学習における10の技術的課題領域を特定し、各問題の履歴と背景を提供する。
論文参考訳（メタデータ） (2021-03-20T21:58:27Z)
A Neural Question Answering System for Basic Questions about Subroutines [32.98355443690782]
質問応答(QA)システムは、人間のユーザーが課す質問に対する自然言語の回答を生成する対話型AIの一種です。コンテキストベースのQAシステムを設計することで、ソフトウェアエンジニアリングアプリケーションに最先端のニューラルテクノロジーをもたらすための最初の一歩を踏み出します。
論文参考訳（メタデータ） (2021-01-11T16:18:52Z)
Few-Shot Complex Knowledge Base Question Answering via Meta Reinforcement Learning [55.08037694027792]
複雑な質問答え(CQA)は、知識ベース(KB)上の複雑な自然言語質問に答える。従来のニューラルプログラム誘導(NPI)アプローチは、質問の種類が異なる場合、不均一なパフォーマンスを示す。本稿では,CQAにおけるプログラム誘導のためのメタ強化学習手法を提案する。
論文参考訳（メタデータ） (2020-10-29T18:34:55Z)
A Novel Update Mechanism for Q-Networks Based On Extreme Learning Machines [0.6445605125467573]
EQLM(Extreme Q-Learning Machine)は、勾配に基づく更新と同じ方法で強化学習問題に適用される。我々はその性能を、カートポールタスクにおける典型的なQ-Networkと比較する。 EQLMはQ-Networkと同様の長期学習性能を持つことを示す。
論文参考訳（メタデータ） (2020-06-04T16:16:13Z)

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。