論文の概要: Representation Heterogeneity

• arxiv url: http://arxiv.org/abs/2207.01091v1
• Date: Sun, 3 Jul 2022 18:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-06 07:33:26.130546
• Title: Representation Heterogeneity
• Title（参考訳）: 表現の多様性
• Authors: Fausto Giunchiglia and Mayukh Bagchi
• Abstract要約: 本稿では,表象ユニティと表象多様性の両立概念の観点から表現ヘテロジニティの概念を紹介する。 さらに、この2つの概念が、どのような表現の2つの層、すなわち言語と知識にまたがってどのようにインスタンス化されるかを強調します。
• 参考スコア（独自算出の注目度）: 5.622134113488239
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic Heterogeneity is conventionally understood as the existence of variance in the representation of a target reality when modelled, by independent parties, in different databases, schemas and/ or data. We argue that the mere encoding of variance, while being necessary, is not sufficient enough to deal with the problem of representational heterogeneity, given that it is also necessary to encode the unifying basis on which such variance is manifested. To that end, this paper introduces a notion of Representation Heterogeneity in terms of the co-occurrent notions of Representation Unity and Representation Diversity. We have representation unity when two heterogeneous representations model the same target reality, representation diversity otherwise. In turn, this paper also highlights how these two notions get instantiated across the two layers of any representation, i.e., Language and Knowledge.
• Abstract（参考訳）: 意味的異質性(Semantic Heterogeneity)は、従来、異なるデータベースやスキーマ、あるいはデータにおいて、独立したパーティによってモデル化された場合、対象現実の表現にばらつきが存在すると理解されていた。 分散の単なる符号化は必要ではあるが、そのような分散が現れる統一基底を符号化する必要があることを考えると、表現の不均一性の問題に対処するのに十分ではない。 そこで本稿では,表現ユニティと表現多様性の共起概念という観点から,表現の不均一性の概念を紹介する。 2つの異質な表現が同じターゲットの現実をモデル化するとき、表現の統一性がある。 さらに、この2つの概念が、どのような表現の2つの層、すなわち言語と知識にまたがってどのようにインスタンス化されるかを強調します。

関連論文リスト

• Identifiable Exchangeable Mechanisms for Causal Structure and Representation Learning [54.69189620971405]
  IEM(Identible Exchangeable Mechanisms)と呼ばれる,表現と構造学習のための統合フレームワークを提供する。 IEMは、交換可能な非i.d.データにおける因果構造同定に必要な条件を緩和する新しい洞察を提供する。 また、認識可能な表現学習における双対性条件の存在を実証し、新たな識別可能性結果をもたらす。
  論文  参考訳（メタデータ） (2024-06-20T13:30:25Z)
• SemFlow: Binding Semantic Segmentation and Image Synthesis via Rectified Flow [94.90853153808987]
  セマンティックセグメンテーション(Semantic segmentation)とセマンティックイメージ合成(Semantic image synthesis)は、視覚知覚と生成において代表的なタスクである。 我々は、統一されたフレームワーク(SemFlow)を提案し、それらを2つの逆問題としてモデル化する。 実験の結果,セマンティックセグメンテーションとセマンティック画像合成タスクにおいて,セマンティックセグメンテーションと競合する結果が得られた。
  論文  参考訳（メタデータ） (2024-05-30T17:34:40Z)
• Distributional Semantics, Holism, and the Instability of Meaning [0.0]
  ホリズムの意味に対する標準的な反対は不安定さの代償である。 本稿では,不安定性が意味の分布モデルに問題をもたらすかどうかを考察する。
  論文  参考訳（メタデータ） (2024-05-20T14:53:25Z)
• Hierarchical Invariance for Robust and Interpretable Vision Tasks at Larger Scales [54.78115855552886]
  本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。 オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。 大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
  論文  参考訳（メタデータ） (2024-02-23T16:50:07Z)
• Algebras of actions in an agent's representations of the world [51.06229789727133]
  我々は、対称性に基づく非交叉表現学習形式から対称性に基づく表現を再現するために、我々のフレームワークを使用する。 次に、簡単な強化学習シナリオで発生する特徴を持つ世界の変換の代数について研究する。 私たちが開発した計算手法を用いて、これらの世界の変換の代数を抽出し、それらの性質に応じてそれらを分類する。
  論文  参考訳（メタデータ） (2023-10-02T18:24:51Z)
• Flow Factorized Representation Learning [109.51947536586677]
  本稿では、異なる入力変換を定義する潜在確率パスの別個のセットを規定する生成モデルを提案する。 本モデルは,ほぼ同変モデルに近づきながら,標準表現学習ベンチマークにおいて高い確率を達成することを示す。
  論文  参考訳（メタデータ） (2023-09-22T20:15:37Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Stratified Data Integration [3.8902657229395907]
  本稿では,意味的不均一性の問題を表現多様性の問題として論じる。 提案する階層化されたデータ表現と,まず対象データに変換するプロセスについて述べる。 提案手法は, 各種試験事例および産業データ統合問題において評価されている。
  論文  参考訳（メタデータ） (2021-05-19T23:14:41Z)
• Distributional Formal Semantics [0.18352113484137625]
  形式モデルレベルでの形式的意味論システムへの分布性を統合する分布形式的セマンティクスを提案する。 このアプローチは、本質的に構成的である確率的で分散的な意味表現を提供する。 これらの表現が確率的推論を可能にする方法と、「情報」の情報理論的概念がそれから自然に従う方法を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:38:00Z)
• The Geometry of Distributed Representations for Better Alignment, Attenuated Bias, and Improved Interpretability [9.215513608145994]
  単語、テキスト、画像、知識グラフなどの構造化データに対する高次元表現は、機械学習やデータマイニングで一般的に使用される。 これらの表現は解釈可能性の度合いが異なり、効率的な分散表現は次元マッピングへの特徴の喪失の犠牲となる。 その影響は、多くの表現やタスクで見られ、特に問題のあるものは、基礎となるデータから学習された社会的偏見が未知の次元や部分空間で捕捉され、隠蔽される言語表現である。 この研究は、これらの表現の透明性と解釈可能性に関連するこれらの問題に対処する。
  論文  参考訳（メタデータ） (2020-11-25T01:04:11Z)

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。