論文の概要: Latent Cognizance: What Machine Really Learns

• arxiv url: http://arxiv.org/abs/2110.15548v1
• Date: Fri, 29 Oct 2021 05:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 14:18:45.169451
• Title: Latent Cognizance: What Machine Really Learns
• Title（参考訳）: 潜在認識: 機械が本当に学ぶもの
• Authors: Pisit Nakjai and Jiradej Ponsawat and Tatpong Katanyukul
• Abstract要約: 最近の研究では、新しい確率論的解釈に基づく認識メカニズムの洞察である潜在認知(Latent Cognizance)が発見された。 本稿では,トレーサブルな文脈下での新たな解釈について考察する。 本研究は,LCの基盤となる理論的根拠を裏付け,学習分類推論の基盤となる隠蔽機構を明らかにする。
• 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: Despite overwhelming achievements in recognition accuracy, extending an open-set capability -- ability to identify when the question is out of scope -- remains greatly challenging in a scalable machine learning inference. A recent research has discovered Latent Cognizance (LC) -- an insight on a recognition mechanism based on a new probabilistic interpretation, Bayesian theorem, and an analysis of an internal structure of a commonly-used recognition inference structure. The new interpretation emphasizes a latent assumption of an overlooked probabilistic condition on a learned inference model. Viability of LC has been shown on a task of sign language recognition, but its potential and implication can reach far beyond a specific domain and can move object recognition toward a scalable open-set recognition. However, LC new probabilistic interpretation has not been directly investigated. This article investigates the new interpretation under a traceable context. Our findings support the rationale on which LC is based and reveal a hidden mechanism underlying the learning classification inference. The ramification of these findings could lead to a simple yet effective solution to an open-set recognition.
• Abstract（参考訳）: 認識精度の圧倒的な向上にもかかわらず、オープンセット機能の拡張 -- 質問がスコープ外である場合の識別能力 - は、スケーラブルな機械学習推論において、依然として非常に困難である。 最近の研究により、Latent Cognizance (LC) は、新しい確率論的解釈に基づく認識機構、ベイズ定理、そして一般的に使用される認識推論構造の内部構造の解析に基づく知見である。 新しい解釈は、学習された推論モデル上で見過ごされた確率的条件の潜在的な仮定を強調する。 LCの可視性は手話認識のタスクで示されているが、その可能性と意味は特定のドメインをはるかに超え、オブジェクト認識をスケーラブルなオープンセット認識に移行することができる。 しかし,LCの新しい確率論的解釈は直接的に研究されていない。 本稿では,新しい解釈をトレーサブルな文脈で検討する。 本研究はLCの基盤となる理論的根拠を裏付け,学習分類推論の基盤となる隠蔽機構を明らかにする。 これらの発見の相違は、オープンセット認識に対する単純かつ効果的な解決策につながる可能性がある。

関連論文リスト

• Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning [54.69189620971405]
  IEM(Identible Exchangeable Mechanisms)と呼ばれる,表現と構造学習のための統合フレームワークを提供する。 IEMは、交換可能な非i.d.データにおける因果構造同定に必要な条件を緩和する新しい洞察を提供する。 また、認識可能な表現学習における双対性条件の存在を実証し、新たな識別可能性結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-20T13:30:25Z)
• Translating Expert Intuition into Quantifiable Features: Encode Investigator Domain Knowledge via LLM for Enhanced Predictive Analytics [2.330270848695646]
  本稿では,調査対象から得られた洞察を定量的かつ実用的な特徴に体系的に変換することで,ギャップを埋める大規模言語モデルの可能性を探る。 我々は、LLMの自然言語理解機能を活用して、これらの赤いフラグを既存の予測モデルに容易に統合可能な構造化機能セットにエンコードするフレームワークを提案する。 その結果、リスク評価と意思決定精度が大幅に向上し、高度な機械学習技術と人間の経験的知識を融合させることの価値が強調された。
  論文  参考訳（メタデータ） (2024-05-11T13:23:43Z)
• Know Yourself Better: Diverse Discriminative Feature Learning Improves Open Set Recognition [1.386950208583845]
  我々は,特徴多様性の側面に着目したオープンセット認識手法の解析を行う。 本研究は,多様な識別特徴の学習とOSR性能の向上との間に有意な相関関係があることを明らかにする。 特徴多様性の利点を生かしたOSR手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T08:08:47Z)
• Is CLIP the main roadblock for fine-grained open-world perception? [7.190567053576658]
  最近の研究では、オープン語彙設定における微粒化認識能力の制限が強調されている。 細粒度理解の欠如は,CLIP潜伏空間における物体特性の分離性の欠如が原因であることを示す。 実験の結果,単純なCLIP遅延空間再射は,微細な概念の分離に役立つことがわかった。
  論文  参考訳（メタデータ） (2024-04-04T15:47:30Z)
• Clarify When Necessary: Resolving Ambiguity Through Interaction with LMs [58.620269228776294]
  そこで本稿では,ユーザに対して,あいまいさを解消するためのタスク非依存のフレームワークを提案する。 我々は3つのNLPアプリケーション(質問応答、機械翻訳、自然言語推論)にまたがるシステムを評価する。 インテントシムは堅牢であり、幅広いNLPタスクやLMの改善を実証している。
  論文  参考訳（メタデータ） (2023-11-16T00:18:50Z)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• The Familiarity Hypothesis: Explaining the Behavior of Deep Open Set Methods [86.39044549664189]
  特徴ベクトルデータに対する異常検出アルゴリズムは異常を外れ値として識別するが、外れ値検出はディープラーニングではうまく機能しない。 本論文は, 新規性の有無ではなく, 慣れ親しんだ特徴の欠如を検知しているため, これらの手法が成功するというFamiliarity仮説を提案する。 本論文は,親しみやすさの検出が表現学習の必然的な結果であるかどうかを論じる。
  論文  参考訳（メタデータ） (2022-03-04T18:32:58Z)
• Properties from Mechanisms: An Equivariance Perspective on Identifiable Representation Learning [79.4957965474334]
  教師なし表現学習の主な目標は、データ生成プロセスが潜在プロパティを回復するために「反転」することである。 この論文は「進化を支配するメカニズムの知識を活用して潜伏特性を識別するのか?」と問う。 我々は、可能なメカニズムの集合に関する知識が異なるため、不特定性の原因の完全な特徴づけを提供する。
  論文  参考訳（メタデータ） (2021-10-29T14:04:08Z)
• Recognition Awareness: An Application of Latent Cognizance to Open-Set Recognition [0.0]
  ソフトマックスメカニズムは、モデルに事前定義されたラベルのセットからオブジェクトクラスを予測するように強制する。 この特徴は、分類における有効性に寄与するが、物体認識における非センス予測のリスクを生じさせる。 オープンセット認識は、オブジェクト認識における異物識別の問題に対処することを目的としている。
  論文  参考訳（メタデータ） (2021-08-27T04:41:41Z)
• Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
  Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。 従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。 コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
  論文  参考訳（メタデータ） (2021-03-03T20:20:48Z)
• Towards falsifiable interpretability research [7.360807642941714]
  我々は、解釈可能性の研究は直観に基づくアプローチへの過度な依存に悩まされていると論じる。 本稿では,解釈可能性手法の2つの一般的なクラスについて検討する。 本稿では,これらの障害に対処する戦略を,強虚な解釈可能性研究のための枠組みとして提案する。
  論文  参考訳（メタデータ） (2020-10-22T22:03:41Z)

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。