論文の概要: Unifying AI Algorithms with Probabilistic Programming using Implicitly
Defined Representations
- arxiv url: http://arxiv.org/abs/2110.02325v1
- Date: Tue, 5 Oct 2021 19:49:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 10:39:21.044036
- Title: Unifying AI Algorithms with Probabilistic Programming using Implicitly
Defined Representations
- Title(参考訳): 暗黙的に定義された表現を用いた確率的プログラミングによるAIアルゴリズムの統一
- Authors: Avi Pfeffer, Michael Harradon, Joseph Campolongo, Sanja Cvijic
- Abstract要約: Scruffは確率的プログラミングを使ってAIシステムを開発するための新しいフレームワークである。
選択可能なコード、ニューラルネットワーク、微分方程式、制約システムなど、さまざまな表現を含めることができる。
私たちは、比較的小さな操作セットが、さまざまなAIアルゴリズムを統合するのにどのように役立つかを示します。
- 参考スコア(独自算出の注目度): 0.2580765958706854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Scruff, a new framework for developing AI systems using
probabilistic programming. Scruff enables a variety of representations to be
included, such as code with stochastic choices, neural networks, differential
equations, and constraint systems. These representations are defined implicitly
using a set of standardized operations that can be performed on them.
General-purpose algorithms are then implemented using these operations,
enabling generalization across different representations. Zero, one, or more
operation implementations can be provided for any given representation, giving
algorithms the flexibility to use the most appropriate available
implementations for their purposes and enabling representations to be used in
ways that suit their capabilities. In this paper, we explain the general
approach of implicitly defined representations and provide a variety of
examples of representations at varying degrees of abstraction. We also show how
a relatively small set of operations can serve to unify a variety of AI
algorithms. Finally, we discuss how algorithms can use policies to choose which
operation implementations to use during execution.
- Abstract(参考訳): 確率型プログラミングを用いたaiシステム開発のための新しいフレームワークであるscruffを紹介する。
scruffは、確率的選択を伴うコード、ニューラルネットワーク、微分方程式、制約システムなど、様々な表現を含むことができる。
これらの表現は、それら上で実行できる一連の標準化された操作を使って暗黙的に定義される。
汎用アルゴリズムはこれらの操作を使って実装され、異なる表現をまたいで一般化することができる。
ゼロ、ゼロ、あるいはそれ以上の操作実装は任意の表現に対して提供でき、アルゴリズムはその目的のために最も適切な実装を使用する柔軟性を提供し、表現をその機能に適した方法で使用できるようにする。
本稿では,暗黙的に定義された表現の一般的なアプローチを説明し,抽象度の異なる表現の多種多様な例を示す。
また、比較的小さな操作セットが、さまざまなAIアルゴリズムを統合するのにどのように役立つかを示す。
最後に、アルゴリズムが実行時にどの操作実装を使うかを選択するためにポリシーを利用できるかについて議論する。
関連論文リスト
- Representation Synthesis by Probabilistic Many-Valued Logic Operation in Self-Supervised Learning [9.339914898177186]
本稿では,論理操作が可能な表現のための自己教師付き学習(SSL)手法を提案する。
本手法では,両表現の特徴を持つ表現や,両表現に共通する特徴のみを生成できる。
MNIST と PascalVOC を用いた画像検索実験により,本手法の表現をOR と操作で操作できることが判明した。
論文 参考訳(メタデータ) (2023-09-08T06:24:44Z) - Multivariate Systemic Risk Measures and Computation by Deep Learning
Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。
私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文 参考訳(メタデータ) (2023-02-02T22:16:49Z) - Making Linear MDPs Practical via Contrastive Representation Learning [101.75885788118131]
マルコフ決定過程(MDP)における次元性の呪いに、低ランク表現を利用することで対処することが一般的である。
本稿では,効率的な表現学習を可能にしつつ,正規化を自動的に保証する線形MDPの代替的定義について考察する。
いくつかのベンチマークにおいて、既存の最先端モデルベースおよびモデルフリーアルゴリズムよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-07-14T18:18:02Z) - On Reinforcement Learning, Effect Handlers, and the State Monad [0.0]
本研究では,機能プログラムにおける意思決定抽象化を支援する手段として,エフェクトとハンドラについて検討する。
我々は,これらの操作のハンドラセットとして実装された強化学習アルゴリズムとして,その基盤となるインテリジェンスを表現している。
我々は、タイプとエフェクトハンドラがいかに安全性を確保できるかを示唆することで結論付けた。
論文 参考訳(メタデータ) (2022-03-29T10:46:58Z) - Non-Stationary Representation Learning in Sequential Linear Bandits [22.16801879707937]
非定常環境におけるマルチタスク意思決定のための表現学習について検討する。
本研究では,非定常表現を適応的に学習し,伝達することにより,効率的な意思決定を容易にするオンラインアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-01-13T06:13:03Z) - Dynamic programming by polymorphic semiring algebraic shortcut fusion [1.9405875431318445]
動的プログラミング(動的プログラミング、英: Dynamic Programming、DP)は、難解問題の効率的かつ正確な解法のためのアルゴリズム設計パラダイムである。
本稿では,セミリングに基づくDPアルゴリズムを体系的に導出するための厳密な代数形式について述べる。
論文 参考訳(メタデータ) (2021-07-05T00:51:02Z) - How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。
我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。
この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
論文 参考訳(メタデータ) (2021-05-05T17:56:00Z) - Conditional Meta-Learning of Linear Representations [57.90025697492041]
表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。
本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。
この利点を実用的に活用できるメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-30T12:02:14Z) - Can We Learn Heuristics For Graphical Model Inference Using
Reinforcement Learning? [114.24881214319048]
我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。
本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
論文 参考訳(メタデータ) (2020-04-27T19:24:04Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-29T09:40:58Z)
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。