論文の概要: The role of prior information and computational power in Machine Learning

• arxiv url: http://arxiv.org/abs/2211.01972v1
• Date: Mon, 31 Oct 2022 20:39:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 12:43:31.150117
• Title: The role of prior information and computational power in Machine Learning
• Title（参考訳）: 機械学習における事前情報と計算能力の役割
• Authors: Diego Marcondes, Adilson Simonis and Junior Barrera
• Abstract要約: 本稿では,事前情報と計算能力を用いて学習問題を解決する方法について論じる。 我々は高い計算能力を利用することは高い性能の利点があると主張している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Science consists on conceiving hypotheses, confronting them with empirical evidence, and keeping only hypotheses which have not yet been falsified. Under deductive reasoning they are conceived in view of a theory and confronted with empirical evidence in an attempt to falsify it, and under inductive reasoning they are conceived based on observation, confronted with empirical evidence and a theory is established based on the not falsified hypotheses. When the hypotheses testing can be performed with quantitative data, the confrontation can be achieved with Machine Learning methods, whose quality is highly dependent on the hypotheses' complexity, hence on the proper insertion of prior information into the set of hypotheses seeking to decrease its complexity without loosing good hypotheses. However, Machine Learning tools have been applied under the pragmatic view of instrumentalism, which is concerned only with the performance of the methods and not with the understanding of their behavior, leading to methods which are not fully understood. In this context, we discuss how prior information and computational power can be employed to solve a learning problem, but while prior information and a careful design of the hypotheses space has as advantage the interpretability of the results, employing high computational power has the advantage of a higher performance. We discuss why learning methods which combine both should work better from an understanding and performance perspective, arguing in favor of basic theoretical research on Machine Learning, in special about how properties of classifiers may be identified in parameters of modern learning models.
• Abstract（参考訳）: 科学は仮説を知覚し、実証的な証拠と向き合い、まだ偽造されていない仮説のみを保持する。 帰納的推論の下では、理論の観点から考え出され、それをファルシフィケーションしようとして経験的証拠と向き合い、帰納的推論では観察に基づいて考え出され、実証的証拠と向き合い、不確定な仮説に基づいて理論が確立される。 仮説テストが定量的データで実施可能な場合には、仮説の複雑さに高い品質が依存する機械学習手法によって対立が達成されるため、適切な仮説を盗むことなく、その複雑さを減らそうとする仮説のセットに事前情報を適切に挿入することが可能になる。 しかし,機械学習ツールは,手法の性能にのみ関心を持ち,その振る舞いの理解に限らず,実践主義の実践的視点の下で応用されている。 本稿では,学習問題の解法として,事前情報と計算能力をどのように活用するかについて議論するが,先行情報と仮説空間の慎重な設計は,結果の解釈可能性に有利であるが,高い計算能力を用いると高い性能が得られるという利点がある。 現代学習モデルのパラメータにおける分類器の特性の同定について,機械学習の基本的な理論的研究に賛同し,理解と性能の観点から組み合わせた学習手法がうまく機能する理由について考察した。

関連論文リスト

• A Theory of Machine Learning [0.0]
  本稿では,この理論が統計学と計算学習理論の共通仮定に挑戦していることを示す。 本稿では, 自然言語処理とマクロ経済学のケーススタディについて, 新理論の観点から概説する。
  論文  参考訳（メタデータ） (2024-07-07T23:57:10Z)
• Class-wise Activation Unravelling the Engima of Deep Double Descent [0.0]
  二重降下は、機械学習領域内の反直観的な側面を示す。 本研究では,二重降下現象を再考し,その発生状況について考察した。
  論文  参考訳（メタデータ） (2024-05-13T12:07:48Z)
• On Continuity of Robust and Accurate Classifiers [3.8673630752805437]
  敵の訓練が仮説の堅牢性を向上させることが示されている。 仮説の頑健性と正確性は互いに相反していることが示唆されている。 本稿では,その頑健さと精度に相容れない仮説の連続性について,その代替案を提示する。
  論文  参考訳（メタデータ） (2023-09-29T08:14:25Z)
• Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
  本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。 従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。 パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
  論文  参考訳（メタデータ） (2023-09-06T05:19:41Z)
• A Double Machine Learning Approach to Combining Experimental and Observational Data [59.29868677652324]
  実験と観測を組み合わせた二重機械学習手法を提案する。 我々の枠組みは、より軽度の仮定の下で、外部の妥当性と無知の違反を検査する。
  論文  参考訳（メタデータ） (2023-07-04T02:53:11Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• A Causal Research Pipeline and Tutorial for Psychologists and Social Scientists [7.106986689736828]
  因果関係は世界を理解する科学的努力の基本的な部分である。 残念なことに、因果関係は心理学や社会科学の多くの分野においていまだに曖昧である。 研究に因果的アプローチを採用することの重要性に対する多くの勧告によって、我々は、必然的に因果的理論を研究パイプラインの他の部分と調和させるために、心理学における研究の典型的なアプローチを再構築する。
  論文  参考訳（メタデータ） (2022-06-10T15:11:57Z)
• Abduction and Argumentation for Explainable Machine Learning: A Position Survey [2.28438857884398]
  本稿では, 推論の2つの原則形式として, 帰納法と論証法を提案する。 機械学習の中で彼らが果たせる基本的な役割を具体化します。
  論文  参考訳（メタデータ） (2020-10-24T13:23:44Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。