Fugu-MT 論文翻訳(概要): How To Overcome Richness Axiom Fallacy

論文の概要: How To Overcome Richness Axiom Fallacy

arxiv url: http://arxiv.org/abs/2210.15507v1
Date: Thu, 27 Oct 2022 14:39:48 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 14:13:10.966179
Title: How To Overcome Richness Axiom Fallacy
Title（参考訳）: 富の公理的誤りを克服する方法
Authors: Mieczys{\l}aw A. K{\l}opotek and Robert A. K{\l}opotek
Abstract要約: この論文は、クラインベルクの公理系におけるリッチネス公理によって示唆される悲しみの問題を指摘している。豊かさは一般に学習可能性の問題を引き起こし、一貫性の公理と矛盾する。
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: The paper points at the grieving problems implied by the richness axiom in the Kleinberg's axiomatic system and suggests resolutions. The richness induces learnability problem in general and leads to conflicts with consistency axiom. As a resolution, learnability constraints and usage of centric consistency or restriction of the domain of considered clusterings to super-ball-clusterings is proposed.
Abstract（参考訳）: 論文は、クラインベルクの公理系における豊かさ公理が示唆する悲嘆の問題を指摘し、解決法を提案する。豊かさは一般に学習可能性の問題を引き起こし、一貫性の公理と矛盾する。そこで, 学習可能性の制約や, 超球クラスタリングに対するクラスタリングの領域の集中的整合性, あるいは領域の制約について検討した。

関連論文リスト

Hierarchical Upper Confidence Bounds for Constrained Online Learning [4.8951183832371]
階層的制約付き帯域幅(HCB)フレームワークを導入し、コンテキスト的帯域幅問題を拡張して階層的決定構造とマルチレベル制約を組み込む。我々の理論的解析はHC-UCBのサブ線形後悔境界を確立し、すべての階層レベルでの制約満足度を高い確率で保証する。
論文参考訳（メタデータ） (2024-10-22T17:41:14Z)
Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing Heterogeneity [0.0]
本稿では, 分散一貫性構造因果モデル (DiscoSCM) フレームワークを, 反事実推論の先駆的アプローチとして提唱する。
論文参考訳（メタデータ） (2023-09-17T17:01:05Z)
Towards CausalGPT: A Multi-Agent Approach for Faithful Knowledge Reasoning via Promoting Causal Consistency in LLMs [60.244412212130264]
Causal-Consistency Chain-of-Thoughtは、基礎モデルの忠実さと因果性を強化するために、マルチエージェントコラボレーションを活用する。我々のフレームワークは、広範囲かつ包括的な評価を通じて、最先端の手法よりも大きな優位性を示す。
論文参考訳（メタデータ） (2023-08-23T04:59:21Z)
A Measure-Theoretic Axiomatisation of Causality [55.6970314129444]
我々は、コルモゴロフの確率の測度理論的公理化を因果関係の公理化への出発点とすることを好んで論じる。提案するフレームワークは測度理論に厳格に根ざしているが,既存のフレームワークの長期的制限にも光を当てている。
論文参考訳（メタデータ） (2023-05-19T13:15:48Z)
Optimal Decision Trees For Interpretable Clustering with Constraints (Extended Version) [7.799182201815762]
制約クラスタリング(Constrained clustering)は、制約として定式化された限られた量のラベル付きデータを使用する半教師付きタスクである。本稿では、クラスタリング制約をサポートする解釈可能なクラスタリングのための新しいSATベースのフレームワークを提案する。また,ユーザが提供する制約の解釈可能性と満足度とのトレードオフについて,新たな知見を提示する。
論文参考訳（メタデータ） (2023-01-30T05:34:49Z)
On the Complexity of Adversarial Decision Making [101.14158787665252]
決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
論文参考訳（メタデータ） (2022-06-27T06:20:37Z)
Recursive Constraints to Prevent Instability in Constrained Reinforcement Learning [16.019477271828745]
マルコフ決定プロセスにおける決定論的政策の発見という課題を考察する。この種の問題は難しいことが知られているが、決定論と一様最適性の要求が組み合わされば、学習不安定が生じる。本稿では,学習不安定性を防止するための制約付き強化学習アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-01-20T02:33:24Z)
Deep Clustering by Semantic Contrastive Learning [67.28140787010447]
Semantic Contrastive Learning (SCL) と呼ばれる新しい変種を紹介します。従来のコントラスト学習とディープクラスタリングの両方の特徴を探求する。コントラスト学習と深層クラスタリングの強みを統一的なアプローチで増幅することができる。
論文参考訳（メタデータ） (2021-03-03T20:20:48Z)
Instance-Dependent Complexity of Contextual Bandits and Reinforcement Learning: A Disagreement-Based Perspective [104.67295710363679]
古典的なマルチアームバンディット問題において、インスタンス依存アルゴリズムは、ベストとセカンドベストのアーム間のギャップで「容易」な問題のパフォーマンスを向上させる。我々は、インスタンス依存の後悔境界を得るのに十分かつ必要である複雑性尺度のファミリーを導入する。次に、可能な限りギャップに適応する新しいオラクル効率アルゴリズムを導入し、最悪の場合にはミニマックスレートを得る。
論文参考訳（メタデータ） (2020-10-07T01:33:06Z)
Unifying Clustered and Non-stationary Bandits [50.12992652938055]
非定常的盗賊とオンラインの盗賊のクラスタリングは、文脈的盗賊の制約的な仮定を解き放つ。本研究では,非定常帯域に対する変化検出と,オンライン帯域クラスタリングのためのクラスタ識別をシームレスに行う均質性試験を提案する。厳密な後悔分析と広範な経験的評価により,提案手法の価値が示された。
論文参考訳（メタデータ） (2020-09-05T04:58:06Z)
Submodular Bandit Problem Under Multiple Constraints [8.100450025624443]
我々は、$l$knapsacksと$k$-system制約の交わりの下で、部分モジュラーバンディット問題を導入する。この問題を解決するために,標準あるいは修正された高信頼境界に適応的に焦点をあてる非グレーディアルゴリズムを提案する。近似比が高速アルゴリズムのそれと一致するような近似後悔の確率の高い上限を提供する。
論文参考訳（メタデータ） (2020-06-01T01:28:44Z)

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。