Fugu-MT 論文翻訳(概要): Measuring the Feasibility of Analogical Transfer using Complexity

論文の概要: Measuring the Feasibility of Analogical Transfer using Complexity

arxiv url: http://arxiv.org/abs/2206.11753v1
Date: Thu, 23 Jun 2022 14:52:16 GMT
ステータス: 処理完了
システム内更新日: 2022-06-24 17:13:40.863257
Title: Measuring the Feasibility of Analogical Transfer using Complexity
Title（参考訳）: 複雑性を用いた類推伝達の可能性の測定
Authors: Pierre-Alexandre Murena
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.917492210639265
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Analogies are 4-ary relations of the form "A is to B as C is to D". While focus has been mostly on how to solve an analogy, i.e. how to find correct values of D given A, B and C, less attention has been drawn on whether solving such an analogy was actually feasible. In this paper, we propose a quantification of the transferability of a source case (A and B) to solve a target problem C. This quantification is based on a complexity minimization principle which has been demonstrated to be efficient for solving analogies. We illustrate these notions on morphological analogies and show its connections with machine learning, and in particular with Unsupervised Domain Adaptation.
Abstract（参考訳）: アナロジーは "A is to B as C is to D" という形式の4項関係である。 A, B, C が与えられた D の正しい値を見つける方法に焦点が当てられているが、そのような類似の解法が実際に実現可能かどうかについては注目されていない。本稿では,対象問題cを解決するために,ソースケース(a,b)の転送可能性の定量化を提案する。この定量化は,アナログの解法として効率的であることが証明された複雑性最小化原理に基づいている。これらの概念を形態学的アナロジーに説明し,機械学習,特に教師なしドメイン適応との関連性を示す。

関連論文リスト

Cluster-Aware Similarity Diffusion for Instance Retrieval [64.40171728912702]
拡散に基づく再ランク付け(diffusion-based re-level)は、隣り合うグラフで類似性の伝播を実行することで、インスタンスを検索する一般的な方法である。本稿では,新しいクラスタ・アウェア類似性(CAS)拡散モデルを提案する。
論文参考訳（メタデータ） (2024-06-04T14:19:50Z)
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)
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)
Solving morphological analogies: from retrieval to generation [4.834203844100681]
分析推論は人間の推論の能力であり、難解な推論タスクの解決に用いられてきた。本稿では,ARにおける2つの重要な課題である類似検出と解決に対処し,対処するためのディープラーニング(DL)フレームワークを提案する。このフレームワークは、単語間の形態的類似比(APs)のSiganalogiesデータセットで徹底的にテストされ、多くの言語においてシンボル的アプローチよりも優れていることを示す。
論文参考訳（メタデータ） (2023-03-30T12:36:46Z)
Galois theory for analogical classifiers [1.7132914341329848]
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。
論文参考訳（メタデータ） (2022-05-09T23:03:56Z)
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)
Tackling Morphological Analogies Using Deep Learning -- Extended Version [8.288496996031684]
分析比例は "A is to B as C is to D" という形の言明である本稿では,Deep Learningを用いて形態的類似を検知し,解決する手法を提案する。複数の言語にまたがる類似検出と分解能において,本モデルの競合性能を実証する。
論文参考訳（メタデータ） (2021-11-09T13:45:23Z)
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)
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文参考訳（メタデータ） (2021-01-17T07:48:45Z)
Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。 RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文参考訳（メタデータ） (2020-07-23T14:00:34Z)
Few-shot Domain Adaptation by Causal Mechanism Transfer [107.08605582020866]
我々は,少数のラベル付き対象ドメインデータと多数のラベル付きソースドメインデータしか利用できないレグレッション問題に対して,数ショットの教師付きドメイン適応(DA)について検討する。現在のDA法の多くは、パラメータ化された分布シフトまたは明らかな分布類似性に基づく転送仮定に基づいている。本稿では,データ生成機構がドメイン間で不変であるメタ分散シナリオであるメカニズム転送を提案する。
論文参考訳（メタデータ） (2020-02-10T02:16:53Z)

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。