論文の概要: Can Humans Do Less-Than-One-Shot Learning?
- arxiv url: http://arxiv.org/abs/2202.04670v1
- Date: Wed, 9 Feb 2022 19:00:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-11 14:48:03.167023
- Title: Can Humans Do Less-Than-One-Shot Learning?
- Title(参考訳): 人間はワンショットで学ぶことはできるのか?
- Authors: Maya Malaviya, Ilia Sucholutsky, Kerem Oktar, Thomas L. Griffiths
- Abstract要約: 極端にデータスカースな環境で分類を検証できる新しい実験パラダイムを導入する。
このパラダイムを用いて行った実験は、人々がそのような環境で学習できることを明らかにする。
応答における機械学習可能なパターンは、人々がこの種のデータスカース問題に対処するために効果的な帰納的バイアスを持つ可能性があることを示している。
- 参考スコア(独自算出の注目度): 12.387676601792897
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Being able to learn from small amounts of data is a key characteristic of
human intelligence, but exactly {\em how} small? In this paper, we introduce a
novel experimental paradigm that allows us to examine classification in an
extremely data-scarce setting, asking whether humans can learn more categories
than they have exemplars (i.e., can humans do "less-than-one shot" learning?).
An experiment conducted using this paradigm reveals that people are capable of
learning in such settings, and provides several insights into underlying
mechanisms. First, people can accurately infer and represent high-dimensional
feature spaces from very little data. Second, having inferred the relevant
spaces, people use a form of prototype-based categorization (as opposed to
exemplar-based) to make categorical inferences. Finally, systematic,
machine-learnable patterns in responses indicate that people may have efficient
inductive biases for dealing with this class of data-scarce problems.
- Abstract(参考訳): 少量のデータから学習できることは、人間の知性にとって重要な特徴だが、いかにして小さいのか?
本稿では,従来よりも多くのカテゴリを学べるかどうか(つまり,人間が「一発のショット」を学べるのか?)を問う,極めてデータ量の多い環境での分類を検証できる新しい実験パラダイムを提案する。
このパラダイムを用いて行った実験は、人々がそのような設定で学習できることを明らかにし、基礎となるメカニズムについていくつかの洞察を提供する。
まず、非常に小さなデータから高次元の特徴空間を正確に推測し、表現することができる。
第二に、関係する空間を推測すると、人々はプロトタイプベースの分類(例題に基づく分類とは対照的)の形式を使って分類的推論を行う。
最後に、機械学習可能な応答パターンは、人々がこの種のデータスカース問題に対処するために効率的な帰納バイアスを持つ可能性があることを示している。
関連論文リスト
- Using Contrastive Learning with Generative Similarity to Learn Spaces that Capture Human Inductive Biases [9.63129238638334]
人間は、少数の例から学び、感覚データから有用な情報を抽象化するために、強い帰納バイアスに頼る。
本稿では, 2つのデータポイントが同一分布からサンプリングされた場合, 2つのデータポイントが類似していると考えられる生成的類似性の概念を提案する。
生成的類似性は、その正確な形が難解である場合でも、対照的な学習目標を定義するのに有効であることを示す。
論文 参考訳(メタデータ) (2024-05-29T18:01:58Z) - What artificial intelligence might teach us about the origin of human
language [91.3755431537592]
本研究は、人工知能と音の象徴性を組み合わせた研究から生まれたパターンを探索する。
機械学習アルゴリズムは、音のシンボリズムの効率的な学習者であるが、あるカテゴリーを他方に偏りがちである。
論文 参考訳(メタデータ) (2023-01-15T23:25:29Z) - Quantifying Human Bias and Knowledge to guide ML models during Training [0.0]
トレーニングプロセスに人間を含めることで、歪んだデータセットを扱うための実験的なアプローチを導入する。
我々は、データセットの特徴の重要性をランク付けし、ランクアグリゲーションを通じて、モデルの初期重みバイアスを決定するよう人間に求める。
我々は、集団的人間の偏見によって、機械学習モデルがバイアス標本の代わりに真の人口についての洞察を学習できることを示した。
論文 参考訳(メタデータ) (2022-11-19T20:49:07Z) - A Survey of Learning on Small Data: Generalization, Optimization, and
Challenge [101.27154181792567]
ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。
この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。
効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
論文 参考訳(メタデータ) (2022-07-29T02:34:19Z) - Reasoning-Modulated Representations [85.08205744191078]
タスクが純粋に不透明でないような共通的な環境について研究する。
我々のアプローチは、新しいデータ効率表現学習の道を開く。
論文 参考訳(メタデータ) (2021-07-19T13:57:13Z) - Inductive Biases for Deep Learning of Higher-Level Cognition [108.89281493851358]
興味深い仮説は、人間と動物の知性はいくつかの原則によって説明できるということである。
この研究は、主に高いレベルとシーケンシャルな意識的処理に関心のある人を中心に、より大きなリストを考察する。
これらの特定の原則を明確にする目的は、人間の能力から恩恵を受けるAIシステムを構築するのに役立つ可能性があることである。
論文 参考訳(メタデータ) (2020-11-30T18:29:25Z) - Accounting for Human Learning when Inferring Human Preferences [0.0]
本研究では,人間を学習としてモデル化することにより,定常性の仮定を緩和する結果について検討する。
驚くべきことに、いくつかの小さな例では、これが人間が静止している場合よりも優れた推論につながることがわかっています。
さらに, 誤識別が推論に悪影響を及ぼす証拠が発見され, 人間の学習のモデル化が重要であることが示唆された。
論文 参考訳(メタデータ) (2020-11-11T06:50:24Z) - Quantifying Learnability and Describability of Visual Concepts Emerging
in Representation Learning [91.58529629419135]
我々は、ディープニューラルネットワークによって自動的に発見された視覚的なグルーピングを特徴付ける方法を検討する。
本稿では、任意の画像グループ化の解釈可能性の定量化に使用できる視覚的学習可能性と記述可能性という2つの概念を紹介する。
論文 参考訳(メタデータ) (2020-10-27T18:41:49Z) - Knowledge Guided Metric Learning for Few-Shot Text Classification [22.832467388279873]
我々は,人間の知識を模倣する素早い学習に外部知識を導入することを提案する。
人間の知性に触発され,人間の知識を模倣する素早い学習に外部知識を導入することを提案する。
提案手法は,最新の数ショットのテキスト分類モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-04-04T10:56:26Z) - Laplacian Denoising Autoencoder [114.21219514831343]
本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。
勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。
いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
論文 参考訳(メタデータ) (2020-03-30T16:52:39Z) - Fairness-Aware Learning with Prejudice Free Representations [2.398608007786179]
本稿では,潜在性識別特徴を効果的に識別し,治療できる新しいアルゴリズムを提案する。
このアプローチは、モデルパフォーマンスを改善するために差別のない機能を集めるのに役立つ。
論文 参考訳(メタデータ) (2020-02-26T10:06:31Z)
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。