Fugu-MT 論文翻訳(概要): Why Machine Learning Cannot Ignore Maximum Likelihood Estimation

論文の概要: Why Machine Learning Cannot Ignore Maximum Likelihood Estimation

arxiv url: http://arxiv.org/abs/2110.12112v1
Date: Sat, 23 Oct 2021 01:57:40 GMT
ステータス: 処理完了
システム内更新日: 2021-10-26 15:11:33.118344
Title: Why Machine Learning Cannot Ignore Maximum Likelihood Estimation
Title（参考訳）: 機械学習が最大確率推定を無視できない理由
Authors: Mark J. van der Laan and Sherri Rose
Abstract要約: 分野としての機械学習の成長は、分野全体の関心や出版物の増加とともに加速している。ここでは、機械学習が機能的パラメータ推定の最大可能性を統合することが重要なアイデアである、と断言する。
参考スコア（独自算出の注目度）: 1.7056768055368383
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The growth of machine learning as a field has been accelerating with increasing interest and publications across fields, including statistics, but predominantly in computer science. How can we parse this vast literature for developments that exemplify the necessary rigor? How many of these manuscripts incorporate foundational theory to allow for statistical inference? Which advances have the greatest potential for impact in practice? One could posit many answers to these queries. Here, we assert that one essential idea is for machine learning to integrate maximum likelihood for estimation of functional parameters, such as prediction functions and conditional densities.
Abstract（参考訳）: 分野としての機械学習の成長は、統計を含む分野全体の関心と出版物の増加とともに加速している。必要な厳密さを実証する開発のために、この膨大な文献をどのように解析すればよいのか? 統計的推論を可能にする基礎理論を取り入れている写本はいくつありますか。どのような進歩が、実際に最もインパクトをもたらすのか? これらのクエリに対して多くの回答を提示できる。ここでは,予測関数や条件密度などの関数パラメータの最大値推定を機械学習が統合する,という本質的な考え方を述べる。

関連論文リスト

Data Science Principles for Interpretable and Explainable AI [0.7581664835990121]
解釈可能でインタラクティブな機械学習は、複雑なモデルをより透明で制御しやすいものにすることを目的としている。本論は, この分野における文献の発達から重要な原則を合成するものである。
論文参考訳（メタデータ） (2024-05-17T05:32:27Z)
On the nonconvexity of some push-forward constraints and its consequences in machine learning [0.0]
プッシュフォワード操作により、地図を介して凸確率測度を再分配することができる。統計学において重要な役割を果たす: 最適な輸送の影響からプッシュフォワードへの多くの問題。本研究の目的は,予測やアルゴリズム学習の問題を研究者がよりよく理解することである。
論文参考訳（メタデータ） (2024-03-12T10:06:48Z)
Machine learning and information theory concepts towards an AI Mathematician [77.63761356203105]
人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
論文参考訳（メタデータ） (2024-03-07T15:12:06Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文参考訳（メタデータ） (2023-01-23T18:59:28Z)
Quantifying Relevance in Learning and Inference [0.0]
関連性」概念に基づく理解学習の最近の進歩を概観する。これらはサンプルと機械の理想的な限界であり、未知の生成過程に関する情報の最大量を含んでいる。最大情報的サンプルは、異常に大きな感受性によって、パワー・ローの周波数分布(統計的臨界)と最適学習機によって特徴づけられる。
論文参考訳（メタデータ） (2022-02-01T11:16:04Z)
Enhancing Generalizability of Predictive Models with Synergy of Data and Physics [0.0]
本稿では,データマイニングと第一原理知識を統合し,予測モデルの一般化可能性を高める。提案手法は, 簡易性と効率性から, 風力エネルギー予測保守実践者に広く受け入れられている。
論文参考訳（メタデータ） (2021-05-04T11:34:44Z)
Patterns, predictions, and actions: A story about machine learning [59.32629659530159]
この機械学習に関する大学院教科書は、データのパターンが予測と連続的なアクションをどのようにサポートするかを物語っている。因果関係の自己完結した導入、因果推論の実践、逐次的な意思決定、強化学習は、読者に行動とその結果について推論するための概念とツールを与える。
論文参考訳（メタデータ） (2021-02-10T03:42:03Z)
Machine Learning and Computational Mathematics [8.160343645537106]
機械学習がすでにどのような影響を及ぼし、さらに計算数学、科学計算、計算科学に影響を及ぼすかについて論じる。これらの問題について、最も重要な進展をいくつか紹介する。私たちの希望は、機械学習と計算数学を統合するのに役立つ視点に物事を組み込むことです。
論文参考訳（メタデータ） (2020-09-23T23:16:46Z)
Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文参考訳（メタデータ） (2020-09-11T16:35:53Z)
Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。