論文の概要: Computational Complexity of Segmentation
- arxiv url: http://arxiv.org/abs/2201.13106v1
- Date: Mon, 31 Jan 2022 10:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 22:49:26.445859
- Title: Computational Complexity of Segmentation
- Title（参考訳）: セグメンテーションの計算複雑性
- Authors: Federico Adolfi (Ernst-Str\"ungmann Institute for Neuroscience,
Frankfurt, Germany, University of Bristol, Bristol, UK), Todd Wareham
(Department of Computer Science, Memorial University of Newfoundland,
Canada), Iris van Rooij (Donders Institute for Brain, Cognition, and
Behaviour, Radboud University, The Netherlands)
- Abstract要約: 認知システムの能力の仕様は、しばしば、探索空間とサブ計算の複雑さに関する未検討の直観的な仮定によって形成される。
直感に反する可能性のある硬さと探索空間サイズに関する2つの結果集合を証明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational feasibility is a widespread concern that guides the framing and
modeling of biological and artificial intelligence. The specification of
cognitive system capacities is often shaped by unexamined intuitive assumptions
about the search space and complexity of a subcomputation. However, a mistaken
intuition might make such initial conceptualizations misleading for what
empirical questions appear relevant later on. We undertake here
computational-level modeling and complexity analyses of segmentation - a widely
hypothesized subcomputation that plays a requisite role in explanations of
capacities across domains - as a case study to show how crucial it is to
formally assess these assumptions. We mathematically prove two sets of results
regarding hardness and search space size that may run counter to intuition, and
position their implications with respect to existing views on the subcapacity.
- Abstract（参考訳）: 計算可能性は、生物と人工知能のフレーミングとモデリングを導く幅広い関心事である。
認知システムの能力の仕様は、しばしば、探索空間とサブ計算の複雑さに関する未検討の直観的な仮定によって形成される。
しかし、誤った直観は、そのような初期の概念化を、後で経験的な疑問が関係しているように見えることを誤解させるかもしれない。
ここでは、領域間の容量の説明に必須な役割を果たす、広く仮定されたサブ計算であるセグメンテーションの計算レベルのモデリングと複雑性解析を、これらの仮定を正式に評価することがいかに重要であるかを示すケーススタディとして取り上げます。
直観に逆らう可能性のある硬さと探索空間の大きさに関する2つの結果セットを数学的に証明し、その影響をサブキャパシティに関する既存の見解に当てはめる。
関連論文リスト
- The Computational Complexity of Circuit Discovery for Inner Interpretability [0.30723404270319693]
我々は古典的およびパラメータ化された計算複雑性理論を用いて回路発見を研究する。
私たちの発見は、難しい複雑さの風景を明らかにします。
このフレームワークは、解釈可能性クエリの範囲と限界を理解するのに役立ちます。
論文 参考訳（メタデータ） (2024-10-10T15:22:48Z) - Advancing Algorithmic Approaches to Probabilistic Argumentation under the Constellation Approach [0.0]
完全拡張である引数の集合の確率を計算する複雑なタスクのアルゴリズムを開発する。
実験的評価は我々のアプローチの可能性を示唆している。
論文 参考訳（メタデータ） (2024-07-06T12:08:38Z) - Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。
オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。
大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
論文 参考訳（メタデータ） (2024-02-23T16:50:07Z) - Balancing Explainability-Accuracy of Complex Models [8.402048778245165]
我々は,コリレーションの影響に基づき,複雑なモデルに対する新しいアプローチを提案する。
独立機能と依存機能の両方のシナリオに対するアプローチを提案する。
従属特徴に対する提案手法の複雑さの上限を提供する。
論文 参考訳（メタデータ） (2023-05-23T14:20:38Z) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳（メタデータ） (2023-04-14T11:35:35Z) - Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
本稿では,ニューラルモデルによる反事実文の評価について検討する。
まず、神経因果モデル(NCM)が十分に表現可能であることを示す。
第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-09-30T18:29:09Z) - 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) - Generalized Shape Metrics on Neural Representations [26.78835065137714]
表現上の相似性を定量化する計量空間の族を提供する。
我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。
解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
論文 参考訳（メタデータ） (2021-10-27T19:48:55Z) - Desiderata for Representation Learning: A Causal Perspective [104.3711759578494]
我々は表現学習の因果的視点を採り、非純粋性と効率性(教師なし表現学習)と非教師なし表現学習(教師なし表現学習)を定式化する。
これは、関心のデシダータを満たす程度を計算可能なメトリクスで評価し、単一の観測データセットから不純物や不整合表現を学習する。
論文 参考訳（メタデータ） (2021-09-08T17:33:54Z) - Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。
この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。
実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
論文 参考訳（メタデータ） (2020-08-02T11:19:36Z)
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。