Fugu-MT 論文翻訳(概要): Enforcing and Discovering Structure in Machine Learning

論文の概要: Enforcing and Discovering Structure in Machine Learning

arxiv url: http://arxiv.org/abs/2111.13693v1
Date: Fri, 26 Nov 2021 15:34:55 GMT
ステータス: 処理完了
システム内更新日: 2021-12-04 19:37:06.378316
Title: Enforcing and Discovering Structure in Machine Learning
Title（参考訳）: 機械学習における構造強化と発見
Authors: Francesco Locatello
Abstract要約: 学習アルゴリズムの解に対応する構造特性を強制することは賢明かもしれない。本論文では,学習アルゴリズムの解の構成に関する2つの異なる研究分野について考察する。
参考スコア（独自算出の注目度）: 18.750116414606698
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The world is structured in countless ways. It may be prudent to enforce corresponding structural properties to a learning algorithm's solution, such as incorporating prior beliefs, natural constraints, or causal structures. Doing so may translate to faster, more accurate, and more flexible models, which may directly relate to real-world impact. In this dissertation, we consider two different research areas that concern structuring a learning algorithm's solution: when the structure is known and when it has to be discovered.
Abstract（参考訳）: 世界は無数の方法で構成されている。事前の信念、自然制約、因果構造など、学習アルゴリズムの解に対応する構造的性質を強制することは慎重である。そうすることで、より速く、より正確で、より柔軟なモデルに変換され、現実世界への影響に直接関係する可能性がある。本論文では,学習アルゴリズムの解の構造化に係わる2つの異なる研究領域について考察する。

関連論文リスト

StructRAG: Boosting Knowledge Intensive Reasoning of LLMs via Inference-time Hybrid Information Structurization [94.31508613367296]
Retrieval-augmented Generation(RAG)は、大規模言語モデル(LLM)を効果的に強化する鍵となる手段である。本稿では,手前のタスクに対して最適な構造型を識別し,元の文書をこの構造化形式に再構成し,その結果に基づいて回答を推測するStructRAGを提案する。実験の結果、StructRAGは最先端のパフォーマンスを実現し、特に挑戦的なシナリオに優れていた。
論文参考訳（メタデータ） (2024-10-11T13:52:44Z)
On the Role of Information Structure in Reinforcement Learning for Partially-Observable Sequential Teams and Games [55.2480439325792]
逐次的意思決定問題において、情報構造とは、異なる時点に発生するシステム内の事象が相互にどのように影響するかを記述するものである。対照的に、現実のシーケンシャルな意思決定問題は通常、システム変数の複雑で時間的な相互依存を伴う。情報構造を明示する新しい強化学習モデルを定式化する。
論文参考訳（メタデータ） (2024-03-01T21:28:19Z)
Causal discovery using dynamically requested knowledge [7.904709685523615]
Causal Bayesian Networks (CBN) は、複雑な実世界のシステムにおいて不確実性の下で推論するための重要なツールである。本研究では,構造学習アルゴリズム自体が,アルゴリズムが不確実であると認識する関係について,知識を動的に識別し,要求する新たなアプローチについて検討する。構造的精度は,既存の知識統合手法よりも大幅に向上した。
論文参考訳（メタデータ） (2023-10-17T11:21:23Z)
Physics of Language Models: Part 1, Learning Hierarchical Language Structures [51.68385617116854]
トランスフォーマーベースの言語モデルは効率的だが複雑であり、内部動作を理解することは大きな課題である。本稿では,長文を生成可能な階層規則を生成する合成CFGのファミリーを紹介する。我々は、GPTのような生成モデルがこのCFG言語を正確に学習し、それに基づいて文を生成することを実証する。
論文参考訳（メタデータ） (2023-05-23T04:28:16Z)
Principled and Efficient Motif Finding for Structure Learning of Lifted Graphical Models [5.317624228510748]
構造学習は、ニューロシンボリックAIと統計リレーショナル学習の分野の中心となるAIの中核的な問題である。昇降型グラフィカルモデルにおける構造モチーフのマイニングのための第一原理的アプローチを提案する。我々は,最先端構造学習の手法を,精度で最大6%,実行時の最大80%で上回ることを示す。
論文参考訳（メタデータ） (2023-02-09T12:21:55Z)
Differentiable and Transportable Structure Learning [73.84540901950616]
本稿では,新しいアーキテクチャと損失関数により,発見された構造物の輸送性を回復するD-Structを紹介する。 D-Structは依然として微分可能であるため、既存の微分可能アーキテクチャでは容易に適用できる。
論文参考訳（メタデータ） (2022-06-13T17:50:53Z)
Learning Probabilistic Structural Representation for Biomedical Image Segmentation [37.07198480786721]
構造表現を学習する最初の深層学習法を提案する。我々は、この手法の強み、すなわち位相的整合性の良いピクセルマップよりも真の構造を生成することを実証的に示す。
論文参考訳（メタデータ） (2022-06-03T06:00:26Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
Learning Bayesian Networks in the Presence of Structural Side Information [22.734574764075226]
本研究では,システムに関する構造的側面情報が得られる場合に,変数の集合のベイズネットワーク(BN)を学習する問題について検討する。そこで我々は,そのような知識を学習プロセスに効率的に組み込むアルゴリズムを開発した。我々の研究の結果、木幅の有界BNは複雑に学習できることが示されている。
論文参考訳（メタデータ） (2021-12-20T22:14:19Z)
Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
複素領域における異なる変動演算子の効果について検討する。モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
論文参考訳（メタデータ） (2021-06-16T17:12:26Z)
Towards Structured Prediction in Bioinformatics with Deep Learning [11.055292483959414]
バイオインフォマティクスでは、2D画像や3D分子構造など、より複雑な対象を予測する必要があることが多い。ここでは, バイオインフォマティクスにおける構造化予測問題の解決に有効であると考えられる。我々は4つのバイオインフォマティクスのサブフィールドから6つのプロジェクトを紹介した。
論文参考訳（メタデータ） (2020-08-25T02:52:18Z)

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。