Fugu-MT 論文翻訳(概要): Why Robust Natural Language Understanding is a Challenge

論文の概要: Why Robust Natural Language Understanding is a Challenge

arxiv url: http://arxiv.org/abs/2206.14575v1
Date: Tue, 21 Jun 2022 12:22:46 GMT
ステータス: 処理完了
システム内更新日: 2022-07-04 00:49:55.904948
Title: Why Robust Natural Language Understanding is a Challenge
Title（参考訳）: 強固な自然言語理解はなぜ難しいのか
Authors: Marco Casadio, Ekaterina Komendantskaya, Verena Rieser, Matthew L. Daggitt, Daniel Kienitz, Luca Arnaboldi, Wen Kokke
Abstract要約: 本研究では,より大きな関心領域に基づく自然言語理解分類の検証手法を提案する。ほぼ線形分離可能であるが、検証者は正の結果を出力しない。
参考スコア（独自算出の注目度）: 8.384816055867237
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the proliferation of Deep Machine Learning into real-life applications, a particular property of this technology has been brought to attention: Neural Networks notoriously present low robustness and can be highly sensitive to small input perturbations. Recently, many methods for verifying networks' general properties of robustness have been proposed, but they are mostly applied in Computer Vision. In this paper we propose a Verification method for Natural Language Understanding classification based on larger regions of interest, and we discuss the challenges of such task. We observe that, although the data is almost linearly separable, the verifier does not output positive results and we explain the problems and implications.
Abstract（参考訳）: ディープラーニングが現実のアプリケーションへと拡大するにつれて、この技術の特定の特性が注目されるようになった。ニューラルネットワークは低ロバスト性を示し、小さな入力摂動に対して高い感度を持つ。近年,ネットワークのロバスト性に関する一般性を検証する手法が多数提案されているが,その多くがコンピュータビジョンに応用されている。本稿では,より広い関心領域に基づく自然言語理解分類の検証手法を提案し,その課題について考察する。データをほぼ線形に分離できるが、検証者は正の結果を出力せず、問題や影響を説明する。

関連論文リスト

A Survey on Transferability of Adversarial Examples across Deep Neural Networks [53.04734042366312]
逆の例では、機械学習モデルを操作して誤った予測を行うことができます。敵の例の転送可能性により、ターゲットモデルの詳細な知識を回避できるブラックボックス攻撃が可能となる。本研究は, 対角移動可能性の展望を考察した。
論文参考訳（メタデータ） (2023-10-26T17:45:26Z)
DARE: Towards Robust Text Explanations in Biomedical and Healthcare Applications [54.93807822347193]
帰属ロバスト性評価手法を与えられたドメインに適応させ、ドメイン固有の妥当性を考慮する方法を示す。次に,DAREが特徴とする脆さを軽減するために,対人訓練とFAR訓練の2つの方法を提案する。最後に,確立した3つのバイオメディカル・ベンチマークを用いて実験を行い,本手法を実証的に検証した。
論文参考訳（メタデータ） (2023-07-05T08:11:40Z)
Rotating Features for Object Discovery [74.1465486264609]
本稿では,複雑な特徴を高次元に一般化した回転特徴と,分散表現からオブジェクトを抽出する新たな評価手法を提案する。これらの進歩により、分散オブジェクト中心の表現を単純な玩具から現実世界のデータに拡張することが可能になります。
論文参考訳（メタデータ） (2023-06-01T12:16:26Z)
Generalized Uncertainty of Deep Neural Networks: Taxonomy and Applications [1.9671123873378717]
ディープニューラルネットワークの不確実性は、解釈可能性と透明性の感覚において重要であるだけでなく、パフォーマンスをさらに向上するためにも重要であることを示す。我々は、ディープニューラルネットワークの不確実性の定義を、入力またはインプットラベルペアに関連する任意の数またはベクトルに一般化し、そのような不確かさをディープモデルから「マイニングに関する既存の方法」をカタログ化する。
論文参考訳（メタデータ） (2023-02-02T22:02:33Z)
Towards Formal Approximated Minimal Explanations of Neural Networks [0.0]
ディープニューラルネットワーク(DNN)は現在、多くのドメインで使用されている。 DNNは「ブラックボックス」であり、人間には解釈できない。そこで本研究では,最小限の説明を求めるための効率的な検証手法を提案する。
論文参考訳（メタデータ） (2022-10-25T11:06:37Z)
On the Robustness and Anomaly Detection of Sparse Neural Networks [28.832060124537843]
スパシティーによってネットワークがより堅牢になり、異常検知がより良くなることを示す。また, 構造的疎水性は, 高価なロバスト性および検出方法の複雑さを低減するのに大いに有効であることを示す。本稿では,適切な刈り取り法から得られた重みの感度を利用して異常サンプルを検出する新しい手法であるSensNormを紹介する。
論文参考訳（メタデータ） (2022-07-09T09:03:52Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
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)
Adversarial Perturbations Are Not So Weird: Entanglement of Robust and Non-Robust Features in Neural Network Classifiers [4.511923587827301]
標準的な方法でトレーニングされたニューラルネットワークでは、ロバストでない機能は、小さな"非セマンティック"パターンに反応する。逆の例は、これらの小さな絡み合ったパターンに対する、最小限の摂動によって形成できます。
論文参考訳（メタデータ） (2021-02-09T20:21:31Z)

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。