Fugu-MT 論文翻訳(概要): Synthesizing Machine Learning Programs with PAC Guarantees via Statistical Sketching

論文の概要: Synthesizing Machine Learning Programs with PAC Guarantees via Statistical Sketching

arxiv url: http://arxiv.org/abs/2110.05390v1
Date: Mon, 11 Oct 2021 16:30:04 GMT
ステータス: 処理完了
システム内更新日: 2021-10-12 21:02:32.407783
Title: Synthesizing Machine Learning Programs with PAC Guarantees via Statistical Sketching
Title（参考訳）: 統計的スケッチによるPAC保証付き機械学習プログラムの合成
Authors: Osbert Bastani
Abstract要約: 深層ニューラルネットワーク(DNN)などの機械学習コンポーネントを含む合成プログラムの問題点について検討する。本稿では,統計的学習理論のアイデアを活用して,これらのプログラムをスケッチし,合成するための新しいアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 22.103574674925547
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study the problem of synthesizing programs that include machine learning components such as deep neural networks (DNNs). We focus on statistical properties, which are properties expected to hold with high probability -- e.g., that an image classification model correctly identifies people in images with high probability. We propose novel algorithms for sketching and synthesizing such programs by leveraging ideas from statistical learning theory to provide statistical soundness guarantees. We evaluate our approach on synthesizing list processing programs that include DNN components used to process image inputs, as well as case studies on image classification and on precision medicine. Our results demonstrate that our approach can be used to synthesize programs with probabilistic guarantees.
Abstract（参考訳）: 本稿では,ディープニューラルネットワーク(DNN)などの機械学習コンポーネントを含む合成プログラムの問題について検討する。例えば、画像分類モデルは、画像中の人物を高い確率で正しく識別する。本稿では,統計学習理論のアイデアを活用し,プログラムのスケッチと合成を行う新しいアルゴリズムを提案する。我々は,画像入力処理に用いられるdnnコンポーネントを含むリスト処理プログラムを合成する手法と,画像分類および精密医学に関するケーススタディを評価した。その結果,本手法は確率的保証によりプログラムを合成できることがわかった。

関連論文リスト

Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文参考訳（メタデータ） (2023-08-10T13:19:10Z)
dPASP: A Comprehensive Differentiable Probabilistic Answer Set Programming Environment For Neurosymbolic Learning and Reasoning [0.0]
本稿では,ニューロシンボリック推論のための新しい宣言型論理プログラミングフレームワークdPASPを提案する。非決定論的・矛盾的・不完全・統計的知識を表現できる確率論的論理プログラムのセマンティクスについて論じる。次に、いくつかのサンプルプログラムとともに、言語での推論と学習をサポートする実装されたパッケージについて説明する。
論文参考訳（メタデータ） (2023-08-05T19:36:58Z)
The Predictive Forward-Forward Algorithm [79.07468367923619]
本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。 PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
論文参考訳（メタデータ） (2023-01-04T05:34:48Z)
A Bayesian Based Deep Unrolling Algorithm for Single-Photon Lidar Systems [4.386694688246789]
現実の応用における3次元単光子ライダーイメージングは、高騒音環境におけるイメージングを含む複数の課題に直面している。統計や学習に基づくフレームワークに基づいて,これらの問題に対処するアルゴリズムが提案されている。本稿では,統計的ベイズアルゴリズムを単一光子ライダーデータから頑健な画像再構成のための新しいディープラーニングアーキテクチャに展開する。
論文参考訳（メタデータ） (2022-01-26T12:58:05Z)
Scaling Neural Program Synthesis with Distribution-based Search [7.137293485620867]
本稿では,ヒープ検索とSQRTサンプリングという2つの新しい検索アルゴリズムを紹介する。確率的およびニューラルなテクニックとどのように統合され、並列計算環境をまたいで大規模に動作可能であるかを示す。
論文参考訳（メタデータ） (2021-10-24T16:46:01Z)
Online Learning Probabilistic Event Calculus Theories in Answer Set Programming [70.06301658267125]
イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
論文参考訳（メタデータ） (2021-03-31T23:16:29Z)
Optimal Neural Program Synthesis from Multimodal Specifications [45.35689345004124]
マルチモーダルプログラム合成は、プログラム合成を挑戦的な設定に拡張する魅力的な方法である。本稿では,ユーザが提供する制約を満たすプログラムを見つけることを目的とした,最適なニューラルシンセサイザー手法を提案する。
論文参考訳（メタデータ） (2020-10-04T20:51:21Z)
BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
論文参考訳（メタデータ） (2020-07-28T17:46:18Z)
Synthesize, Execute and Debug: Learning to Repair for Neural Program Synthesis [81.54148730967394]
本稿では,合成,実行,デバッグの段階を組み込んだニューラルネットワーク生成フレームワークであるSEDを提案する。 SEDはまず、神経プログラムシンセサイザーコンポーネントを使用して初期プログラムを生成し、その後、神経プログラムデバッガを使用して生成されたプログラムを反復的に修復する。挑戦的な入出力プログラム合成ベンチマークであるKarelでは、SEDはニューラルプログラムシンセサイザー自体のエラー率をかなりのマージンで削減し、デコードのための標準ビームサーチより優れている。
論文参考訳（メタデータ） (2020-07-16T04:15:47Z)
PLANS: Robust Program Learning from Neurally Inferred Specifications [0.0]
ルールベースのアプローチは、教師なしの方法で正確性を保証する一方で、ニューラルネットワークは生の高次元入力に対してより現実的にスケーラブルである。本稿では,視覚観測からプログラムを合成するためのハイブリッドモデルPLANSを紹介する。我々は,Karel と ViZDoom 環境における様々なデモビデオから,プログラム合成における最先端のパフォーマンスを得る。
論文参考訳（メタデータ） (2020-06-05T08:51:34Z)
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)

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。