論文の概要: External knowledge transfer deployment inside a simple double agent
Viterbi algorithm
- arxiv url: http://arxiv.org/abs/2110.00433v1
- Date: Mon, 6 Sep 2021 07:24:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-10 11:42:39.034549
- Title: External knowledge transfer deployment inside a simple double agent
Viterbi algorithm
- Title(参考訳): 単純二重エージェントviterbiアルゴリズムにおける外部知識伝達の展開
- Authors: Zied Baklouti (ENIT, UP)
- Abstract要約: 本稿では,単純な二重エージェントであるビタビアルゴリズムの内部に外部知識伝達を展開させる手法について考察する。
この研究の重要な課題は、我々の古いモデルが未知の単語の成分状態の推定に直面すると、パフォーマンスが悪くなる理由を見つけることである。
- 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: We consider in this paper deploying external knowledge transfer inside a
simple double agent Viterbi algorithm which is an algorithm firstly introduced
by the author in his preprint "Hidden Markov Based Mathematical Model dedicated
to Extract Ingredients from Recipe Text". The key challenge of this work lies
in discovering the reason why our old model does have bad performances when it
is confronted with estimating ingredient state for unknown words and see if
deploying external knowledge transfer directly on calculating state matrix
could be the solution instead of deploying it only on back propagating step.
- Abstract(参考訳): 本稿では,著者がレシピテキストから成分を抽出するためのhidden markov based mathematical model (hidden markov based mathematical model dedicated to extract materials from recipe text) という序文で最初に紹介したアルゴリズムである,単純な二重エージェントビタビアルゴリズムの中に外部知識伝達を展開する。
この研究の重要な課題は、未知の単語の成分状態の推定に直面すると、古いモデルがパフォーマンスが悪い理由を発見し、外部の知識を計算された状態行列に直接配置することが、バック伝播ステップのみにデプロイする代わりに解決策になるかどうかを確認することです。
関連論文リスト
- DUCK: Distance-based Unlearning via Centroid Kinematics [42.642008092347986]
本研究は,Centroid Kinematics (DUCK) による遠隔学習(Distance-based Unlearning)と呼ばれる新しいアンラーニングアルゴリズムを導入する。
アルゴリズムの性能評価は、様々なベンチマークデータセットにまたがって行われる。
対象データを忘れる際の未学習プロセスの有効性だけでなく,元のモデルに対する性能損失の定量化も含む,適応未学習スコア(Adaptive Unlearning Score, AUS)と呼ばれる新しいメトリクスを導入する。
論文 参考訳(メタデータ) (2023-12-04T17:10:25Z) - A Novel Ehanced Move Recognition Algorithm Based on Pre-trained Models
with Positional Embeddings [6.688643243555054]
要約の認識は、コンテンツを効果的に特定し、記事を明確にするために重要である。
本稿では,中国科学・技術論文の非構造的抽象化に対する注意機構を備えた,改良された事前学習モデルとゲートネットワークを備えた新しい動き認識アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-08-14T03:20:28Z) - Active Learning for Abstractive Text Summarization [50.79416783266641]
本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。
ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
論文 参考訳(メタデータ) (2023-01-09T10:33:14Z) - Robust Person Re-Identification through Contextual Mutual Boosting [77.1976737965566]
本研究では,歩行者の局地化を目的としたコンテキスト相互ブースティングネットワーク(CMBN)を提案する。
歩行者をローカライズし、文脈情報と統計的推測を効果的に活用することで特徴を再検討する。
ベンチマークの実験は、最先端のアーキテクチャと比較してアーキテクチャの優位性を示している。
論文 参考訳(メタデータ) (2020-09-16T06:33:35Z) - Semi-Supervised Crowd Counting via Self-Training on Surrogate Tasks [50.78037828213118]
本稿では,機能学習の観点から,半教師付き群集カウント問題に取り組む。
本稿では,2つの革新的なコンポーネント上に構築された,新しい半教師付き群集カウント手法を提案する。
論文 参考訳(メタデータ) (2020-07-07T05:30:53Z) - Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。
この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。
簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
論文 参考訳(メタデータ) (2020-07-01T19:53:35Z) - IMoJIE: Iterative Memory-Based Joint Open Information Extraction [37.487044478970965]
提案するIMojieはCopyAttentionの拡張であり, 従来抽出した全データに対して次の抽出条件を導出する。
IMoJIEはCopyAttentionを約18F1pt、BERTベースの強力なベースラインを2F1ptで上回る。
論文 参考訳(メタデータ) (2020-05-17T07:04:08Z) - Relabel the Noise: Joint Extraction of Entities and Relations via
Cooperative Multiagents [52.55119217982361]
協調型マルチエージェント群を用いて,雑音の多いインスタンスを処理するための共同抽出手法を提案する。
ノイズの多いインスタンスをきめ細かな方法で処理するために、協調グループの各エージェントは、自身の視点で連続的な信頼スコアを算出してインスタンスを評価する。
信頼度コンセンサスモジュールは、すべてのエージェントの知恵を収集し、信頼度ラベル付きラベルでノイズの多いトレーニングセットを再分割するように設計されている。
論文 参考訳(メタデータ) (2020-04-21T12:03:04Z) - Hybrid Attention-Based Transformer Block Model for Distant Supervision
Relation Extraction [20.644215991166902]
DSREタスクを実行するために,マルチインスタンス学習を用いたハイブリッドアテンションベースのトランスフォーマーブロックを用いた新しいフレームワークを提案する。
提案手法は評価データセットの最先端アルゴリズムより優れている。
論文 参考訳(メタデータ) (2020-03-10T13:05:52Z) - Active Model Estimation in Markov Decision Processes [108.46146218973189]
マルコフ決定過程(MDP)をモデル化した環境の正確なモデル学習のための効率的な探索の課題について検討する。
マルコフに基づくアルゴリズムは,本アルゴリズムと極大エントロピーアルゴリズムの両方を小サンプル方式で上回っていることを示す。
論文 参考訳(メタデータ) (2020-03-06T16:17:24Z)
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。