Fugu-MT 論文翻訳(概要): Machine learning of the well known things

論文の概要: Machine learning of the well known things

arxiv url: http://arxiv.org/abs/2204.11613v1
Date: Mon, 25 Apr 2022 12:43:08 GMT
ステータス: 処理完了
システム内更新日: 2023-02-15 18:00:41.981316
Title: Machine learning of the well known things
Title（参考訳）: よく知られているものの機械学習
Authors: V.Dolotin, A.Morozov, A.Popolitov
Abstract要約: 現在の機械学習(ML)は、あらゆる問題に対する答えが、非常に特異なヘビーサイドのテータ関数の関数によってうまく近似できることを意味している。私たちがすでに知っている質問に対する答えが、この形式で自然に表現できるかどうかを問うのは自然なことです。
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: Machine learning (ML) in its current form implies that an answer to any problem can be well approximated by a function of a very peculiar form: a specially adjusted iteration of Heavyside theta-functions. It is natural to ask if the answers to the questions, which we already know, can be naturally represented in this form. We provide elementary, still non-evident examples that this is indeed possible, and suggest to look for a systematic reformulation of existing knowledge in a ML-consistent way. Success or a failure of these attempts can shed light on a variety of problems, both scientific and epistemological.
Abstract（参考訳）: 機械学習(ML)の現在の形式は、あらゆる問題に対する答えが、非常に特異な形式の関数(ヘビーサイドのテータ関数の特別に調整された反復)によってうまく近似できることを意味している。私たちがすでに知っている質問に対する答えが、この形式で自然に表現できるかどうかを問うのは自然です。我々は、これが実際に可能であるという初等的で、まだ明らかでない例を提供し、ML一貫性のある方法で既存の知識を体系的に再構築することを提案する。これらの試みの成功または失敗は、科学と認識学の両方の様々な問題に光を当てることができる。

関連論文リスト

Opportunities for machine learning in scientific discovery [16.526872562935463]
我々は、科学コミュニティが科学的な発見を達成するために機械学習技術をどのように活用できるかをレビューする。課題は残るが、MLの原則的利用は基本的な科学的発見のための新たな道を開く。
論文参考訳（メタデータ） (2024-05-07T09:58:02Z)
Architecture of a Cortex Inspired Hierarchical Event Recaller [0.0]
本稿では、複雑なパターンの教師なし連続文脈依存学習に焦点を当てた機械学習(ML)に対する新しいアプローチを提案する。複雑な時間系列を同定し、予測できる合成構造を定義し、実験的に検証する。概念実証として, 提案システムでは, 事前知識を伴わずに, 人間の発話のような極めて複雑な時系列を学習し, 識別し, 予測できることが示されている。
論文参考訳（メタデータ） (2024-05-03T09:36:16Z)
Don't Just Say "I don't know"! Self-aligning Large Language Models for Responding to Unknown Questions with Explanations [70.6395572287422]
自己調整法は,回答を拒否するだけでなく,未知の質問の解答不能を説明できる。我々は, LLM自体を微調整し, 未知の質問に対する応答を所望の通りに調整するために, 偏差駆動による自己計算を行い, 有資格データを選択する。
論文参考訳（メタデータ） (2024-02-23T02:24:36Z)
ReST meets ReAct: Self-Improvement for Multi-Step Reasoning LLM Agent [50.508669199496474]
外部知識に基づいて推論と行動を行うReAct-style LLMエージェントを開発した。エージェントをReSTライクな手法で改良し,従来の軌道上で反復的に訓練する。引き起こされた大きなモデルから始まり、アルゴリズムのたった2イテレーションの後に、微調整された小さなモデルを生成することができる。
論文参考訳（メタデータ） (2023-12-15T18:20:15Z)
Context Matters: Data-Efficient Augmentation of Large Language Models for Scientific Applications [15.893290942177112]
GPT-4のような大規模言語モデル(LLM)に固有の課題について検討する。一貫性と意味論的に厳密な方法で誤った回答を提示するLLMの能力は、事実の不正確さの検出を複雑にする。本研究の目的は,このような誤りの理解と軽減を図り,LCMの精度と信頼性の向上に寄与することである。
論文参考訳（メタデータ） (2023-12-12T08:43:20Z)
R-Tuning: Instructing Large Language Models to Say `I Don't Know' [66.11375475253007]
大きな言語モデル(LLM)は、優れたパフォーマンスで多くのドメインに革命をもたらしたが、それでもその課題に直面している。事前の指導チューニング方法は、モデルが知識を知っているかどうかに関わらず、モデルに文章を完成させるよう強制する。我々はRefusal-Aware Instruction Tuning (R-Tuning)と呼ばれる新しいアプローチを提案する。実験の結果、R-Tuningは、既知の質問に答えたり、未知の質問に答えるのを控えるモデルの能力を効果的に改善することを示した。
論文参考訳（メタデータ） (2023-11-16T08:45:44Z)
Reinforcement Learning in System Identification [0.0]
システム識別は、学習前方モデル、伝達関数、システムダイナミクスなどとも呼ばれるが、科学と工学の両方において長い伝統がある。ここでは、この問題における強化学習の利用について考察する。本稿では,この問題が強化学習問題として自然と音にどのように適合するかを詳述し,RLがこのような問題を解決する上で有望な手法であることを実証する実験結果を示す。
論文参考訳（メタデータ） (2022-12-14T09:20:42Z)
The Splendors and Miseries of Heavisidisation [0.0]
機械学習(ML)は、科学的問題、すなわち、明確に定義された答えを持つものに適用できる。この長い道のりの最初のステップについて説明する。
論文参考訳（メタデータ） (2022-05-15T21:00:50Z)
Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
論文参考訳（メタデータ） (2021-11-28T14:24:52Z)
Retrieve, Program, Repeat: Complex Knowledge Base Question Answering via Alternate Meta-learning [56.771557756836906]
本稿では,弱い監督からプログラマと交互に検索モデルを自動的に学習する手法を提案する。本システムでは,知識ベースに対する複雑な質問応答を行う大規模タスクにおいて,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-10-29T18:28:16Z)
An Information-Theoretic Approach to Personalized Explainable Machine Learning [92.53970625312665]
本稿では,予測とユーザ知識のための簡易確率モデルを提案する。説明と予測の間の条件付き相互情報による説明の効果を定量化する。
論文参考訳（メタデータ） (2020-03-01T13:06:29Z)

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。