論文の概要: Algebraic Semantics of Generalized RIFs

• arxiv url: http://arxiv.org/abs/2109.12998v1
• Date: Sun, 12 Sep 2021 20:06:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-03 10:39:02.746415
• Title: Algebraic Semantics of Generalized RIFs
• Title（参考訳）: 一般化RIFの代数的意味論
• Authors: A Mani
• Abstract要約: 弱準粗包含関数 (wqRIFs) は、汚染を制限する範囲を持つ一般の粒状作用素空間に一般化される。 これは、そのような機能の選択(おそらく自動)の改善、トレーニング方法、アプリケーションにおける汚染(およびデータ侵入)の低減に寄与する可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A number of numeric measures like rough inclusion functions (RIFs) are used in general rough sets and soft computing. But these are often intrusive by definition, and amount to making unjustified assumptions about the data. The contamination problem is also about recognizing the domains of discourses involved in this, specifying errors and reducing data intrusion relative to them. In this research, weak quasi rough inclusion functions (wqRIFs) are generalized to general granular operator spaces with scope for limiting contamination. New algebraic operations are defined over collections of such functions, and are studied by the present author. It is shown by her that the algebras formed by the generalized wqRIFs are ordered hemirings with additional operators. By contrast, the generalized rough inclusion functions lack similar structure. This potentially contributes to improving the selection (possibly automatic) of such functions, training methods, and reducing contamination (and data intrusion) in applications. The underlying framework and associated concepts are explained in some detail, as they are relatively new.
• Abstract（参考訳）: 粗包摂関数(RIF)のような多くの数値測度は、一般に粗集合やソフトコンピューティングで用いられる。 しかし、これらはしばしば定義によって侵入的であり、データについて不当な仮定をする量である。 汚染問題は、これに関連する談話の領域を認識し、エラーを特定し、それに対するデータ侵入を減らすことである。 本研究では, 弱準粗包含関数(wqrifs)を, 汚染を制限できる範囲の一般粒状作用素空間に一般化する。 新しい代数演算はそのような関数の集合上で定義され、現在著者によって研究されている。 一般化された wqRIF によって形成される代数は、追加作用素を持つ順序ヘミリングであることを示す。 対照的に、一般化された粗包含関数は同様の構造を持たない。 これは、そのような機能の選択(おそらく自動)の改善、トレーニング方法、アプリケーションにおける汚染(およびデータ侵入)の低減に寄与する可能性がある。 基礎となるフレームワークと関連する概念は、比較的新しいので、ある程度詳細に説明されている。

関連論文リスト

• MathGAP: Out-of-Distribution Evaluation on Problems with Arbitrarily Complex Proofs [80.96119560172224]
  大規模言語モデル(LLM)は、高い精度で算術語問題を解くことができるが、訓練された言語よりも複雑な問題にどのように一般化するかは、ほとんど分かっていない。 本研究では、任意に複雑な算術証明問題に対する LLM の評価フレームワーク、MathGAP を提案する。
  論文  参考訳（メタデータ） (2024-10-17T12:48:14Z)
• Information-Theoretic Measures on Lattices for High-Order Interactions [0.7373617024876725]
  格子と演算関数のペアを用いた高次情報理論測度を導出する体系的枠組みを提案する。 この枠組みでは,多くのよく用いられる測度が導出可能であるが,分割格子の格子に制限されることがしばしばある。 $d$変数間の全ての相互作用をフルに特徴付けるために、KL発散の一般化を演算関数として用いたStreitberg Informationを導入する。
  論文  参考訳（メタデータ） (2024-08-14T13:04:34Z)
• What's in a Prior? Learned Proximal Networks for Inverse Problems [9.934876060237345]
  近似作用素は、逆問題においてユビキタスであり、通常は、そうでなければ不適切な問題を正則化するための戦略の一部として現れる。 現代のディープラーニングモデルは、プラグアンドプレイやディープアンロールのフレームワークのように、これらのタスクにも耐えられてきました。
  論文  参考訳（メタデータ） (2023-10-22T16:31:01Z)
• On Computing Probabilistic Abductive Explanations [30.325691263226968]
  最も広く研究されているAI(XAI)アプローチは正しくない。 PI説明は重要な欠点も示しており、最も目に見えるものはおそらくその大きさである。 本稿では,多くの広く使用されている分類器に対して,関連する集合を計算するための実践的アプローチについて検討する。
  論文  参考訳（メタデータ） (2022-12-12T15:47:10Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• Learning Aggregation Functions [78.47770735205134]
  任意の濃度の集合に対する学習可能なアグリゲータであるLAF(Learning Aggregation Function)を紹介する。 半合成および実データを用いて,LAFが最先端の和(max-)分解アーキテクチャより優れていることを示す実験を報告する。
  論文  参考訳（メタデータ） (2020-12-15T18:28:53Z)
• Importance Weight Estimation and Generalization in Domain Adaptation under Label Shift [8.10196482629998]
  本研究では,学習者が対象領域からラベル付きサンプルにアクセス可能な領域適応におけるラベルシフトの下での一般化について検討する。 ラベル上に定義されたヒルベルト空間間での新しい演算子学習手法を導入する。 本研究では、重要度重み付けされた実験的リスク最小化の一般化特性を示す。
  論文  参考訳（メタデータ） (2020-11-29T01:37:58Z)
• The Role of Mutual Information in Variational Classifiers [47.10478919049443]
  クロスエントロピー損失を訓練した符号化に依存する分類器の一般化誤差について検討する。 我々は、一般化誤差が相互情報によって境界付けられた状態が存在することを示す一般化誤差に境界を導出する。
  論文  参考訳（メタデータ） (2020-10-22T12:27:57Z)
• Self-training Avoids Using Spurious Features Under Domain Shift [54.794607791641745]
  教師なし領域適応においては、条件付きエントロピー最小化と擬似ラベル処理は、既存の理論で解析されたものよりもドメインシフトがはるかに大きい場合であっても行われる。 ドメインシフトが大きくなる可能性のある特定の設定を特定・分析するが、特定のスパイラルな特徴はソースドメインのラベルと相関するが、ターゲットの独立なラベルである。
  論文  参考訳（メタデータ） (2020-06-17T17:51:42Z)
• Text Classification with Few Examples using Controlled Generalization [58.971750512415134]
  現在の実践は、トレーニング中に見えない単語を、類似した単語とマッピングするために、事前訓練された単語埋め込みに依存している。 私たちの代替案は、未ラベルのパースコーパスから派生したスパース事前訓練された表現から始まります。 これらのベクトル上のフィードフォワードネットワークは、特に低データシナリオにおいて有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-18T06:04:58Z)

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。