論文の概要: Galois theory for analogical classifiers

• arxiv url: http://arxiv.org/abs/2205.04593v1
• Date: Mon, 9 May 2022 23:03:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-15 01:03:13.783413
• Title: Galois theory for analogical classifiers
• Title（参考訳）: 類型分類器のガロア理論
• Authors: Miguel Couceiro, Erkko Lehtonen
• Abstract要約: A is to B as C is to D" と書かれた 4-ary 関係である。 最近の研究は、そのような関係が類似推論と呼ばれる特定の形の推論を支持できるという事実を強調している。
• 参考スコア（独自算出の注目度）: 1.7132914341329848
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analogical proportions are 4-ary relations that read "A is to B as C is to D". Recent works have highlighted the fact that such relations can support a specific form of inference, called analogical inference. This inference mechanism was empirically proved to be efficient in several reasoning and classification tasks. In the latter case, it relies on the notion of analogy preservation. In this paper, we explore this relation between formal models of analogy and the corresponding classes of analogy preserving functions, and we establish a Galois theory of analogical classifiers. We illustrate the usefulness of this Galois framework over Boolean domains, and we explicitly determine the closed sets of analogical classifiers, i.e., classifiers that are compatible with the analogical inference, for each pair of Boolean analogies.
• Abstract（参考訳）: 解析的比例は「A は B に、C は D に、A は B に、という四項関係である。 最近の研究は、そのような関係が類似推論と呼ばれる特定の形の推論を支持できるという事実を強調している。 この推論機構は、いくつかの推論や分類タスクにおいて有効であることが実証的に証明された。 後者の場合、類似保存の概念に依存している。 本稿では、類似の形式モデルと類似保存関数の対応するクラスとの関係を考察し、類似分類器のガロア理論を確立する。 我々は,このガロアフレームワークがブール領域上で有用であることを示すとともに,その類型化器の閉集合,すなわち,類型推論と適合する類型化器を,ブール領域の各対に対して明示的に決定する。

関連論文リスト

• ARN: Analogical Reasoning on Narratives [13.707344123755126]
  我々は、物語要素を用いて表面マッピングとシステムマッピングを作成する、アナロジーの支配的理論を運用するフレームワークを開発する。 すべてのLLMがほぼ類似点を認識できるが、最大でもゼロショット環境では極端に類似点に苦戦している。
  論文  参考訳（メタデータ） (2023-10-02T08:58:29Z)
• Beneath Surface Similarity: Large Language Models Make Reasonable Scientific Analogies after Structure Abduction [46.2032673640788]
  人間の認知における類推的推論の不可欠な役割は、共用関係構造を通して親しみやすい概念とリンクすることで、新しい概念を把握できることである。 この研究は、Large Language Models (LLM) がこれらの類似の基盤となる構造をしばしば見落としていることを示唆している。 本稿では,2つのシステム間の類似性を形成する構造を導出するための,認知心理学に基づく類推的構造推論の課題を紹介する。
  論文  参考訳（メタデータ） (2023-05-22T03:04:06Z)
• A Category-theoretical Meta-analysis of Definitions of Disentanglement [97.34033555407403]
  データの変化の要因を識別することは、機械学習の基本的な概念である。 本稿では,既存の乱れの定義をメタ分析する。
  論文  参考訳（メタデータ） (2023-05-11T15:24:20Z)
• ANALOGYKB: Unlocking Analogical Reasoning of Language Models with A Million-scale Knowledge Base [51.777618249271725]
  ANALOGYKBは、既存の知識グラフ(KGs)から派生した100万スケールのアナロジー知識ベースである 1)KGから直接抽出できる同一関係のアナロジー、2)大きな言語モデル(LLM)によって実現される選択とフィルタリングパイプラインと識別される類似関係のアナロジーである。
  論文  参考訳（メタデータ） (2023-05-10T09:03:01Z)
• Some recent advances in reasoning based on analogical proportions [9.861775841965386]
  アナロジー比は類推の形式化において重要な役割を果たしている。 本稿ではまず,精度と計算コストの観点から,アナログ推論を改善する方法について論じる。
  論文  参考訳（メタデータ） (2022-12-22T14:10:14Z)
• Measuring the Feasibility of Analogical Transfer using Complexity [12.917492210639265]
  本稿では、ソースケース(A,B)の転送可能性を定量化し、ターゲット問題Cを解く方法を示す。 本稿では,これらの概念を形態学的類推で説明し,機械学習との関係を示す。
  論文  参考訳（メタデータ） (2022-06-23T14:52:16Z)
• Quantifying and Understanding Adversarial Examples in Discrete Input Spaces [70.18815080530801]
  我々は、任意の離散的な設定で適用される同義的逆例の概念を定式化し、そのような例を構成するための単純なドメインに依存しないアルゴリズムを記述する。 我々の研究は、連続入力と類似した離散逆例のドメインに依存しない処理への一歩である。
  論文  参考訳（メタデータ） (2021-12-12T16:44:09Z)
• A Neural Approach for Detecting Morphological Analogies [7.89271130004391]
  分析比例は "A is to B as C is to D" という形の言明である 形態的類似を検出するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-08-09T11:21:55Z)
• Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
  教師なし特徴表現のための例類似性学習(ISL)手法を提案する。 我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。 画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2021-08-05T16:42:06Z)
• A Description Logic for Analogical Reasoning [28.259681405091666]
  我々は,類推による推論に依拠する,妥当な知識の欠如を推測するメカニズムを提案する。 これは、記述論理の設定の中でアナログ推論を研究する最初の論文です。
  論文  参考訳（メタデータ） (2021-05-10T19:06:07Z)
• Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
  類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。 類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-11T05:35:16Z)

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。