Fugu-MT 論文翻訳(概要): Attribute Exploration with Multiple Contradicting Partial Experts

論文の概要: Attribute Exploration with Multiple Contradicting Partial Experts

arxiv url: http://arxiv.org/abs/2205.15714v1
Date: Tue, 31 May 2022 12:00:55 GMT
ステータス: 処理完了
システム内更新日: 2022-06-01 13:51:06.584901
Title: Attribute Exploration with Multiple Contradicting Partial Experts
Title（参考訳）: マルチコントラクト部分的エキスパートによる属性探索
Authors: Maximilian Felde and Gerd Stumme
Abstract要約: 属性探索(Attribute Exploring)は、ドメインの専門家が知識領域の構造的依存関係を発見するのに役立つ、形式的概念分析(FCA)の手法である。本稿では,属性探索の拡張について述べる。
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: Attribute exploration is a method from Formal Concept Analysis (FCA) that helps a domain expert discover structural dependencies in knowledge domains which can be represented as formal contexts (cross tables of objects and attributes). In this paper we present an extension of attribute exploration that allows for a group of domain experts and explores their shared views. Each expert has their own view of the domain and the views of multiple experts may contain contradicting information.
Abstract（参考訳）: 属性探索(英: attribute exploration)は、形式的概念分析(fca)の手法であり、ドメインの専門家が形式的コンテキスト(オブジェクトと属性のクロステーブル)として表現できる知識ドメインの構造的依存関係を発見するのに役立つ。本稿では、ドメインの専門家のグループによる共有ビューの探索を可能にする属性探索の拡張について述べる。各専門家はドメインに対する独自の見解を持ち、複数の専門家の見解には矛盾する情報が含まれるかもしれない。

関連論文リスト

Adaptive Conditional Expert Selection Network for Multi-domain Recommendation [10.418133538132635]
Mixture-of-Experts (MOE)は、最近マルチドメインレコメンデーション(MDR)におけるデファクトスタンダードになっている。 CESAAは、Conditional Expert Selection (CES) ModuleとAdaptive Expert Aggregation (AEA) Moduleで構成されている。 AEAは、専門家と特定のドメイン間の相関を強化するために、相互情報損失を利用しており、専門家の区別を大幅に改善している。
論文参考訳（メタデータ） (2024-11-11T09:39:31Z)
The FIX Benchmark: Extracting Features Interpretable to eXperts [9.688218822056823]
FIX(Features Interpretable to eXperts)は、機能の集合が専門家の知識とどの程度うまく一致しているかを測定するベンチマークである。 FIXScoreは、宇宙論、心理学、医学領域にまたがる多様な現実世界の設定に適用可能な、統一された専門家アライメント尺度である。
論文参考訳（メタデータ） (2024-09-20T17:53:03Z)
Exploring Commonalities in Explanation Frameworks: A Multi-Domain Survey Analysis [0.0]
本研究は,3つの領域の専門家による調査および議論から得られた知見を提示する。分析されたアプリケーションには、医療シナリオ(予測MLを含む)、小売ユースケース(規範MLを含む)、エネルギーユースケース(予測MLも含む)が含まれる。以上の結果から,より説明可能性の高い精度を犠牲にすることが普遍的に望まれることが示唆された。
論文参考訳（メタデータ） (2024-05-20T11:28:32Z)
Generalization Error Analysis for Sparse Mixture-of-Experts: A Preliminary Study [65.11303133775857]
Mixture-of-Experts (MoE)計算アマルガメート予測 Sparse MoEは、限られた数、あるいは1つの専門家だけを選択的に扱うことで、経験的に保存され、時にはパフォーマンスが向上する一方で、オーバーヘッドを大幅に削減する。
論文参考訳（メタデータ） (2024-03-26T05:48:02Z)
Improving Retrieval in Theme-specific Applications using a Corpus Topical Taxonomy [52.426623750562335]
ToTER (Topical Taxonomy Enhanced Retrieval) フレームワークを紹介する。 ToTERは、クエリとドキュメントの中心的なトピックを分類学のガイダンスで識別し、そのトピックの関連性を利用して、欠落したコンテキストを補う。プラグイン・アンド・プレイのフレームワークとして、ToTERは様々なPLMベースのレトリバーを強化するために柔軟に使用できる。
論文参考訳（メタデータ） (2024-03-07T02:34:54Z)
DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文参考訳（メタデータ） (2024-02-29T07:09:01Z)
Understanding metric-related pitfalls in image analysis validation [59.15220116166561]
この研究は、画像解析におけるバリデーションメトリクスに関連する落とし穴に関する情報にアクセスするための、初めての包括的な共通点を提供する。バイオメディカル画像解析に焦点をあてるが、他の分野へ移行する可能性があるため、対処された落とし穴はアプリケーションドメイン全体にわたって一般化され、新しく作成されたドメインに依存しない分類に分類される。
論文参考訳（メタデータ） (2023-02-03T14:57:40Z)
The Curious Layperson: Fine-Grained Image Recognition without Expert Labels [90.88501867321573]
我々は、専門家のアノテーションを使わずに、きめ細かい画像認識という新しい問題を考える。非専門的な画像記述を用いてオブジェクトの視覚的外観を記述するモデルを学ぶ。次に、画像記述と文書とを文レベルでマッチングする、きめ細かいテキスト類似性モデルを訓練する。
論文参考訳（メタデータ） (2021-11-05T17:58:37Z)
Multiple Domain Experts Collaborative Learning: Multi-Source Domain Generalization For Person Re-Identification [41.923753462539736]
我々は、MD-ExCo(Multiple Domain Experts Collaborative Learning)という新しいトレーニングフレームワークを提案する。 MD-ExCoは普遍的な専門家といくつかのドメインエキスパートで構成されている。 DG-ReIDベンチマークの実験により、我々のMD-ExCoは最先端の手法よりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2021-05-26T06:38:23Z)
Triadic Exploration and Exploration with Multiple Experts [0.11421942894219898]
Triadic Concept Analysis は、条件の概念を取り入れた形式的概念分析(FCA)の拡張である。本稿では、三進的概念分析に基づく三進的探索を行い、三進的領域における条件的属性含意を探索する。ドメインに対して異なる視点を持つ複数の専門家による属性探索を定式化するために、このアプローチを適用する。
論文参考訳（メタデータ） (2021-02-04T14:49:53Z)

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。