論文の概要: Approximating Defeasible Logics to Improve Scalability

• arxiv url: http://arxiv.org/abs/2108.05232v1
• Date: Wed, 11 Aug 2021 13:54:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:21:07.208368
• Title: Approximating Defeasible Logics to Improve Scalability
• Title（参考訳）: 拡張性を改善するための難解論理の近似化
• Authors: Michael J. Maher
• Abstract要約: 我々は$DL(partial_||)$を$DL(partial)$などのデファシブル論理における計算結果の計算補助として利用すると考えている。 我々は、$DL(partial_||)$を$DL(partial)$に置き換えることができる条件を、引き出された結論を変更することなく特定する。
• 参考スコア（独自算出の注目度）: 1.3706331473063877
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Defeasible rules are used in providing computable representations of legal documents and, more recently, have been suggested as a basis for explainable AI. Such applications draw attention to the scalability of implementations. The defeasible logic $DL(\partial_{||})$ was introduced as a more scalable alternative to $DL(\partial)$, which is better known. In this paper we consider the use of (implementations of) $DL(\partial_{||})$ as a computational aid to computing conclusions in $DL(\partial)$ and other defeasible logics, rather than as an alternative to $DL(\partial)$. We identify conditions under which $DL(\partial_{||})$ can be substituted for $DL(\partial)$ with no change to the conclusions drawn, and conditions under which $DL(\partial_{||})$ can be used to draw some valid conclusions, leaving the remainder to be drawn by $DL(\partial)$.
• Abstract（参考訳）: defeasible rulesは、法律文書の計算可能な表現を提供するのに使われ、最近では、説明可能なaiの基盤として提案されている。 このようなアプリケーションは、実装のスケーラビリティに注意を向ける。 defeasible logic $dl(\partial_{|})$は、よりよく知られている$dl(\partial)$のよりスケーラブルな代替として導入された。 本稿では、$DL(\partial)$ の代替としてではなく、$DL(\partial)$ の計算結果の計算補助として $DL(\partial)$ の(実装) $DL(\partial)$ の使用を検討する。 我々は$DL(\partial_{|})$を$DL(\partial)$に置き換えることができ、$DL(\partial_{||})$を$DL(\partial)$に置き換える条件と、$DL(\partial)$を$DL(\partial)$に置き換える条件を特定する。

関連論文リスト

• Optimal Sketching for Residual Error Estimation for Matrix and Vector Norms [50.15964512954274]
  線形スケッチを用いた行列とベクトルノルムの残差誤差推定問題について検討する。 これは、前作とほぼ同じスケッチサイズと精度で、経験的にかなり有利であることを示す。 また、スパースリカバリ問題に対して$Omega(k2/pn1-2/p)$低いバウンダリを示し、これは$mathrmpoly(log n)$ factorまで厳密である。
  論文  参考訳（メタデータ） (2024-08-16T02:33:07Z)
• Near Sample-Optimal Reduction-based Policy Learning for Average Reward MDP [58.13930707612128]
  この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。 我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
  論文  参考訳（メタデータ） (2022-12-01T15:57:58Z)
• Finite-Sample Maximum Likelihood Estimation of Location [16.44999338864628]
  固定$f$ の場合、最大類似度推定 (MLE) は infty$ に対して$n の極限で最適であることが知られている。 任意の$f$と$n$について、滑らかな$f$のフィッシャー情報に基づいて同様の理論を復元できることを示し、そこでは滑らかな半径が$n$で崩壊する。
  論文  参考訳（メタデータ） (2022-06-06T04:33:41Z)
• Lockout: Sparse Regularization of Neural Networks [0.0]
  パラメータ $w$ の値に制約 $P(w)leq t$ を置き、精度を向上させるために正規化を適用する。 我々は、任意の微分可能関数$f$と損失$L$に対してそのようなすべての解を提供する高速アルゴリズムと、各パラメータの絶対値の単調関数である任意の制約$P$を提案する。
  論文  参考訳（メタデータ） (2021-07-15T07:17:20Z)
• Simplest non-additive measures of quantum resources [77.34726150561087]
  我々は $cal E(rhootimes N) = E(e;N) ne Ne$ で説明できる測度について研究する。
  論文  参考訳（メタデータ） (2021-06-23T20:27:04Z)
• Defeasible Reasoning via Datalog$^\neg$ [1.3706331473063877]
  本稿では,デファジブル理論をDatalog$neg$プログラムにコンパイルする問題に対処する。 このコンパイルの正しさは、デファシブル論理 $DL(partial_||)$ に対して証明する。 また、未完成なDatalog$neg$の実装に適応するために、以前よく研究された論理プログラムの構造特性を使用します。
  論文  参考訳（メタデータ） (2021-06-21T09:38:06Z)
• Agnostic learning with unknown utilities [70.14742836006042]
  現実世界の多くの問題において、決定の効用は基礎となる文脈である$x$ と decision $y$ に依存する。 我々はこれを未知のユーティリティによる不可知学習として研究する。 サンプルされた点のみのユーティリティを推定することで、よく一般化した決定関数を学習できることを示す。
  論文  参考訳（メタデータ） (2021-04-17T08:22:04Z)
• $Q$-learning with Logarithmic Regret [60.24952657636464]
  楽観的な$Q$は$mathcalOleft(fracSAcdot mathrmpolyleft(Hright)Delta_minlogleft(SATright)right)$ cumulative regret bound, where $S$ is the number of state, $A$ is the number of action, $H$ is the planning horizon, $T$ is the total number of steps, $Delta_min$ is the least sub-Optitimality gap。
  論文  参考訳（メタデータ） (2020-06-16T13:01:33Z)
• Agnostic Q-learning with Function Approximation in Deterministic Systems: Tight Bounds on Approximation Error and Sample Complexity [94.37110094442136]
  本稿では,決定論的システムにおける関数近似を用いたQ$学習の問題について検討する。 もし$delta = Oleft(rho/sqrtdim_Eright)$なら、$Oleft(dim_Eright)$を使って最適なポリシーを見つけることができる。
  論文  参考訳（メタデータ） (2020-02-17T18:41:49Z)

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。