論文の概要: Function Decomposition Tree with Causality-First Perspective and
Systematic Description of Problems in Materials Informatics
- arxiv url: http://arxiv.org/abs/2205.00829v1
- Date: Tue, 26 Apr 2022 08:41:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 00:53:53.745275
- Title: Function Decomposition Tree with Causality-First Perspective and
Systematic Description of Problems in Materials Informatics
- Title（参考訳）: 因果関係をもつ機能分解木-材料インフォマティクスにおける問題の一考察と体系的記述
- Authors: Hiori Kino, Hieu-Chi Dam, Takashi Miyake, Riichiro Mizoguchi
- Abstract要約: この研究は、関数分解木の生成において初心者が直面する一般的な問題を引用している。
処理シーケンスに応じて表現されたワークフローから因果分解木を得る。
提案手法は,専門知識の体系的表現を示す材料情報学に応用された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As interdisciplinary science is flourishing because of materials informatics
and additional factors; a systematic way is required for expressing knowledge
and facilitating communication between scientists in various fields. A function
decomposition tree is such a representation, but domain scientists face
difficulty in constructing it. Thus, this study cites the general problems
encountered by beginners in generating function decomposition trees and
proposes a new function decomposition representation method based on a
causality-first perspective for resolution of these problems. The
causality-first decomposition tree was obtained from a workflow expressed
according to the processing sequence. Moreover, we developed a program that
performed automatic conversion using the features of the causality-first
decomposition trees. The proposed method was applied to materials informatics
to demonstrate the systematic representation of expert knowledge and its
usefullness.
- Abstract（参考訳）: 学際科学は材料情報学と追加の要因により栄えており、様々な分野の科学者間の知識の表現やコミュニケーションの促進に体系的な方法が求められている。
関数分解木はそのような表現であるが、ドメイン科学者はそれを構築するのが困難である。
そこで本研究では,関数分解木の生成において初心者が直面する一般的な問題を引用し,因果性第一視点に基づく関数分解表現法を提案する。
処理シーケンスに応じて表現されたワークフローから因果分解木を得る。
さらに,因果性優先分解木の特徴を用いて自動変換を行うプログラムを開発した。
本手法を材料情報学に応用し,専門知識の体系的表現とその有用性を実証した。
関連論文リスト
- Disentangled Representations for Causal Cognition [0.0]
因果認知研究は、ヒトおよび非ヒト動物における因果学習と推論の主な特徴を記述している。
因果性に関する機械および強化学習研究は、因果的人工エージェントを設計するための具体的な試みである。
本研究では,これら2つの研究領域を結合し,因果認知のための統一的な枠組みを構築する。
論文 参考訳（メタデータ） (2024-06-30T16:10:17Z) - 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) - Enhancing Systematic Decompositional Natural Language Inference Using Informal Logic [51.967603572656266]
我々は,分解包含を注釈付けするための一貫した理論的なアプローチを導入する。
我々の新しいデータセットRDTEは、前回の分解エンターメントデータセットよりもかなり高い内部整合性(+9%)を持つことがわかった。
また,RDTE による知識蒸留によるエンテーメント分類器の訓練や,エンテーメントツリー推論エンジンへの導入により,精度と検証精度が向上することが確認された。
論文 参考訳（メタデータ） (2024-02-22T18:55:17Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳（メタデータ） (2024-02-04T05:50:38Z) - A Linear Programming Approach for Resource-Aware Information-Theoretic
Tree Abstractions [16.565205172451662]
本稿では,資源制約のある自律エージェントに対して,タスク関連,マルチレゾリューション,環境抽象化を実現するための整数線形プログラミングの定式化について述べる。
本稿では,信号圧縮のための階層木構造,信号エンコーダ,情報理論手法を共通テーマの下で統一する方法について述べる。
多分解能木の空間上の情報理論的抽象問題は、整数線形プログラミング(ILP)問題として定式化できることが示されている。
論文 参考訳（メタデータ） (2022-08-08T15:44:09Z) - A neural anisotropic view of underspecification in deep learning [60.119023683371736]
ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。
深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
論文 参考訳（メタデータ） (2021-04-29T14:31:09Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳（メタデータ） (2021-02-22T15:26:57Z) - A Survey on Extraction of Causal Relations from Natural Language Text [9.317718453037667]
因果関係はテキストに頻繁に現れ、テキストから因果関係を計算することで、予測タスクのための因果関係を構築するのに役立つ。
既存の因果抽出技術には、知識ベース、統計機械学習(ML)ベース、深層学習ベースアプローチなどがある。
論文 参考訳（メタデータ） (2021-01-16T10:49:39Z) - Measure Inducing Classification and Regression Trees for Functional Data [0.0]
機能的データ分析の文脈における分類と回帰問題に対する木に基づくアルゴリズムを提案する。
これは、制約付き凸最適化により重み付き汎函数 L2$ 空間を学習することで達成される。
論文 参考訳（メタデータ） (2020-10-30T18:49:53Z) - Physical System for Non Time Sequence Data [0.0]
本稿では,ニューラルネットワークw.r.t.入力変数のジャコビアン行列による機械学習と因果構造学習を結びつける新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T06:27:15Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z)
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。