論文の概要: Surprise Minimization Revision Operators

• arxiv url: http://arxiv.org/abs/2111.10896v1
• Date: Sun, 21 Nov 2021 20:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 05:18:57.082095
• Title: Surprise Minimization Revision Operators
• Title（参考訳）: サプライズ最小化リビジョンオペレータ
• Authors: Adrian Haret
• Abstract要約: 本稿では, 先行する信念に関して, 相対的サプライズ(相対的サプライズ)とよばれるサプライズ尺度を提案する。 そこで我々は,AGMモールドの直感的な仮定を用いて定義したサプライズ最小化修正演算子を特徴付ける。
• 参考スコア（独自算出の注目度）: 7.99536002595393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prominent approaches to belief revision prescribe the adoption of a new belief that is as close as possible to the prior belief, in a process that, even in the standard case, can be described as attempting to minimize surprise. Here we extend the existing model by proposing a measure of surprise, dubbed relative surprise, in which surprise is computed with respect not just to the prior belief, but also to the broader context provided by the new information, using a measure derived from familiar distance notions between truth-value assignments. We characterize the surprise minimization revision operator thus defined using a set of intuitive rationality postulates in the AGM mould, along the way obtaining representation results for other existing revision operators in the literature, such as the Dalal operator and a recently introduced distance-based min-max operator.
• Abstract（参考訳）: 信念の修正に対する顕著なアプローチは、標準の場合でさえ、驚きを最小化しようとしていると説明できるプロセスにおいて、事前の信念に可能な限り近い新しい信念を採用することを前提としている。 ここでは、先行する信念だけでなく、真理値の割り当て間の親しみやすい距離の概念から導かれる測度を用いて、新しい情報によって提供されるより広い文脈でサプライズが計算されるような、相対的サプライズと呼ばれるサプライズ尺度を提案し、既存のモデルを拡張する。 本稿では,AGMモールドの直感的合理性仮定を用いて,ダラル演算子や最近導入された距離ベースmin-max演算子などの文献における他のリビジョン演算子に対する表現結果を得る方法として,サプライズ最小化演算子を特徴付ける。

関連論文リスト

• Reasoning about unpredicted change and explicit time [10.220888127527152]
  予測外の変化に関する推論は、出来事による観察を説明することである。 本稿では,流れの真理値の変化にともなう単純な事象である,驚きによる時間スタンプ観測を説明するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-09T07:49:57Z)
• Plausible Extractive Rationalization through Semi-Supervised Entailment Signal [29.67884478799914]
  抽出された有理量の妥当性を最適化するために,半教師付きアプローチを採用する。 我々は、事前学習された自然言語推論(NLI)モデルを採用し、さらに教師付き論理の小さなセットに微調整する。 質問応答タスクにおける説明と回答のアライメント合意を強制することにより、真理ラベルにアクセスせずに性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-02-13T14:12:32Z)
• Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
  本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。 AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。 誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
  論文  参考訳（メタデータ） (2022-09-22T04:32:51Z)
• Marginalized Operators for Off-policy Reinforcement Learning [53.37381513736073]
  有理化作用素は、Retraceのような一般的な多段階作用素を特別な場合として厳密に一般化する。 余剰化演算子の推定値がスケーラブルな方法で計算可能であることを示し、また、余剰化重要度サンプリングの事前結果を特別な場合として一般化する。
  論文  参考訳（メタデータ） (2022-03-30T09:59:59Z)
• Approximability and Generalisation [0.0]
  予測器の完全精度と近似設定の両方において、学習における近似性の役割について検討する。 軽度の条件下では、より小さなラベル付きサンプルから近似可能なターゲット概念が学習可能であることを示す。 近似も同じ一般化保証を享受する優れた予測器を保証するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2022-03-15T15:21:48Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• A Low Rank Promoting Prior for Unsupervised Contrastive Learning [108.91406719395417]
  提案手法は,従来の低階の促進をコントラスト学習の枠組みに効果的に組み込む新しい確率的グラフィカルモデルを構築する。 我々の仮説は、同じインスタンスクラスに属するすべてのサンプルが、小さな次元の同じ部分空間上にあることを明示的に要求する。 実証的な証拠は、提案アルゴリズムが複数のベンチマークにおける最先端のアプローチを明らかに上回っていることを示している。
  論文  参考訳（メタデータ） (2021-08-05T15:58:25Z)
• On the use of evidence theory in belief base revision [0.0]
  本稿では,2つの新しい公式ベースのリビジョン演算子を定義するために,信頼できる信念ベースリビジョンのアイデアを提案する。 これらの作用素は、集合包含と基数ではなく、信頼性に関して、一貫した部分基底が極大であることに由来する。
  論文  参考訳（メタデータ） (2020-09-24T12:45:32Z)
• Latent Unexpected Recommendations [89.2011481379093]
  ユーザとアイテムの埋め込みの潜伏した空間における予測性をモデル化し、新しいレコメンデーションと歴史的購入の間の隠れた複雑な関係を捉えることを提案する。 さらに,ハイブリッドユーティリティ機能の構築と,提案モデルに基づく予期せぬ推薦を行うための新しい潜在クロージャ(LC)手法を開発した。
  論文  参考訳（メタデータ） (2020-07-27T02:39:30Z)
• Evaluations and Methods for Explanation through Robustness Analysis [117.7235152610957]
  分析による特徴に基づく説明の新たな評価基準を確立する。 我々は、緩やかに必要であり、予測に十分である新しい説明を得る。 我々は、現在の予測をターゲットクラスに移動させる一連の特徴を抽出するために、説明を拡張します。
  論文  参考訳（メタデータ） (2020-05-31T05:52:05Z)

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。