Fugu-MT 論文翻訳(概要): Towards a Solution to Bongard Problems: A Causal Approach

論文の概要: Towards a Solution to Bongard Problems: A Causal Approach

arxiv url: http://arxiv.org/abs/2206.07196v1
Date: Tue, 14 Jun 2022 22:53:36 GMT
ステータス: 処理完了
システム内更新日: 2022-06-16 14:34:14.459717
Title: Towards a Solution to Bongard Problems: A Causal Approach
Title（参考訳）: ボナード問題の解決に向けて:因果的アプローチ
Authors: Salahedine Youssef and Matej Ze\v{c}evi\'c and Devendra Singh Dhami and Kristian Kersting
Abstract要約: ボンガード問題(BP)は、現在の強力なモデルによってまだ襲撃されていない数少ないAI歴史の要塞の1つである。本稿では、BPに関する研究を復活させるため、因果関係とAI/MLの交点から近代的手法を用いた体系的分析を行う。
参考スコア（独自算出の注目度）: 17.103787431518683
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To date, Bongard Problems (BP) remain one of the few fortresses of AI history yet to be raided by the powerful models of the current era. We present a systematic analysis using modern techniques from the intersection of causality and AI/ML in a humble effort of reviving research around BPs. Specifically, we first compile the BPs into a Markov decision process, then secondly pose causal assumptions on the data generating process arguing for their applicability to BPs, and finally apply reinforcement learning techniques for solving the BPs subject to the causal assumptions.
Abstract（参考訳）: 現在まで、ボンガード問題(BP)は、現在の強力なモデルによる攻撃を受けていない数少ないAI歴史の要塞の1つである。本稿では、BPに関する研究を復活させるため、因果関係とAI/MLの交点から最新の技術を用いた系統分析を行う。具体的には、まず、BPをマルコフ決定プロセスにコンパイルし、次に、BPの適用性について議論するデータ生成プロセスに因果仮定を示し、最後に、因果仮定に従うBPを解決するための強化学習技術を適用する。

関連論文リスト

PageRank Bandits for Link Prediction [72.61386754332776]
リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
論文参考訳（メタデータ） (2024-11-03T02:39:28Z)
A Review of Barren Plateaus in Variational Quantum Computing [0.32360458646569984]
変分量子コンピューティングは、様々な分野で応用される柔軟な計算パラダイムを提供する。それらのポテンシャルを実現するための重要な障害はバレンプラトー現象(BP)である。本稿では,BP現象の現在の理解について概観する。
論文参考訳（メタデータ） (2024-05-01T18:00:10Z)
Graph Neural Networks for Binary Programming [8.356266644802604]
本稿では,グラフニューラルネットワーク(GNN)とバイナリプログラミング(BP)の関連について検討する。 BP問題の感度を解析することにより、BP問題の解をヘテロ親和性ノード分類タスクとしてフレーム化することができる。次に,BPGNN(Binary-Programming GNN)を提案する。BPGNNは,グラフ表現学習技術とBP認識機能を統合し,BP解を効率的に近似するアーキテクチャである。
論文参考訳（メタデータ） (2024-04-07T08:38:35Z)
Belief Propagation Decoding of Quantum LDPC Codes with Guided Decimation [55.8930142490617]
BPガイドデシミテーション(BPGD)に基づくQLDPC符号のデコーダを提案する。 BPGDは非収束によるBP故障率を著しく低下させる。
論文参考訳（メタデータ） (2023-12-18T05:58:07Z)
Deep Attentive Belief Propagation: Integrating Reasoning and Learning for Solving Constraint Optimization Problems [24.63675651321079]
BP(Breief Propagation)は、グラフィカルモデル上の様々な推論タスクのための重要なメッセージパッシングアルゴリズムである。本研究では, DABP をスムーズなソリューションコストで自己教師付き学習する手法を提案する。我々のモデルは最先端のベースラインを大きく上回る。
論文参考訳（メタデータ） (2022-09-24T13:03:46Z)
A Theoretical View of Linear Backpropagation and Its Convergence [55.69505060636719]
バックプロパゲーション(BP)はディープニューラルネットワーク(DNN)の勾配を計算するために広く用いられている最近では、NinBPと呼ばれるBPの線形変種が導入され、ブラックボックス攻撃を行うためのより伝達可能な逆の例が生み出された。本稿では,LinBPのニューラルネットワーク関連学習課題における理論的解析について述べる。
論文参考訳（メタデータ） (2021-12-21T07:18:00Z)
Predictive Coding Can Do Exact Backpropagation on Convolutional and Recurrent Neural Networks [40.51949948934705]
予測符号化ネットワーク(PCN)は、脳内の情報処理に影響を及ぼすモデルである。 BPは現代の機械学習において最も成功した学習方法と考えられている。生物学的に妥当なアルゴリズムは複雑なアーキテクチャ上でBPの精度を正確に再現できることを示す。
論文参考訳（メタデータ） (2021-03-05T14:57:01Z)
Belief Propagation Neural Networks [103.97004780313105]
信念伝播ニューラルネットワーク(BPNN)を紹介する。 BPNNは因子グラフ上で動作し、信念伝播(BP)を一般化する BPNNはIsingモデル上で1.7倍高速に収束し、より厳密な境界を提供することを示す。挑戦的なモデルカウント問題に関して、BPNNは最先端の手作り手法の100倍の速さを推定する。
論文参考訳（メタデータ） (2020-07-01T07:39:51Z)
On the Convergence Rate of Projected Gradient Descent for a Back-Projection based Objective [58.33065918353532]
我々は、最小二乗(LS)の代替として、バックプロジェクションに基づく忠実度項を考える。 LS項ではなくBP項を用いることで最適化アルゴリズムの繰り返しを少なくすることを示す。
論文参考訳（メタデータ） (2020-05-03T00:58:23Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。