論文の概要: Metaphors We Learn By
- arxiv url: http://arxiv.org/abs/2211.06441v1
- Date: Fri, 11 Nov 2022 19:04:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 16:18:31.526992
- Title: Metaphors We Learn By
- Title(参考訳): 私たちが学ぶメタファー
- Authors: Roland Memisevic
- Abstract要約: このエッセイでは、パラメータ共有とアナロジー作成と認知メタファーの学派を関連づける。
静的な特徴から動的スキルやプロシージャへの類似性の拡張として、リカレントモデルと自動回帰モデルをどのように考えることができるかについて議論する。
- 参考スコア(独自算出の注目度): 2.333702364038072
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gradient based learning using error back-propagation (``backprop'') is a
well-known contributor to much of the recent progress in AI. A less obvious,
but arguably equally important, ingredient is parameter sharing - most
well-known in the context of convolutional networks. In this essay we relate
parameter sharing (``weight sharing'') to analogy making and the school of
thought of cognitive metaphor. We discuss how recurrent and auto-regressive
models can be thought of as extending analogy making from static features to
dynamic skills and procedures. We also discuss corollaries of this perspective,
for example, how it can challenge the currently entrenched dichotomy between
connectionist and ``classic'' rule-based views of computation.
- Abstract(参考訳): エラーバックプロパゲーション(``backprop''')を使用したグラディエントベースの学習は、AIの最近の進歩の多くに広く貢献している。
あまり明確ではないが、同時に重要な要素はパラメータ共有である - 畳み込みネットワークの文脈でよく知られたものだ。
本論では,パラメータ共有 (``weight sharing'') を類似化と認知的メタファーの考え方に関連付ける。
本稿では,リカレントモデルと自己回帰モデルについて,静的特徴から動的スキルや手順へのアナロジー生成の拡張として考える。
例えば、コネクティビストと ‘classic'' のルールに基づく計算の見方の、現在定着している二分法にどのように挑戦できるかについて論じる。
関連論文リスト
- Explaining Explainability: Towards Deeper Actionable Insights into Deep
Learning through Second-order Explainability [70.60433013657693]
2階説明可能なAI(SOXAI)は、最近インスタンスレベルからデータセットレベルまで説明可能なAI(XAI)を拡張するために提案されている。
そこで本研究では,SOXAIの動作可能な洞察に基づくトレーニングセットから無関係な概念を除外することで,モデルの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2023-06-14T23:24:01Z) - A Message Passing Perspective on Learning Dynamics of Contrastive
Learning [60.217972614379065]
特徴空間に対照的な目的を同等に配置すると、その学習力学は解釈可能な形式を持つことを示す。
この視点はまた、対照的な学習とメッセージパッシンググラフニューラルネットワーク(MP-GNN)の間の興味深い関係を確立する。
論文 参考訳(メタデータ) (2023-03-08T08:27:31Z) - Metaphor Generation with Conceptual Mappings [58.61307123799594]
我々は、関連する動詞を置き換えることで、リテラル表現を与えられた比喩文を生成することを目指している。
本稿では,認知領域間の概念マッピングを符号化することで生成過程を制御することを提案する。
教師なしCM-Lexモデルは,近年のディープラーニングメタファ生成システムと競合することを示す。
論文 参考訳(メタデータ) (2021-06-02T15:27:05Z) - Contextual Modulation for Relation-Level Metaphor Identification [3.2619536457181075]
本稿では,ある文法的関係の関連レベルの比喩表現を識別するための新しいアーキテクチャを提案する。
視覚的推論の研究にインスパイアされた方法論では、我々のアプローチは、深い文脈化された特徴にニューラルネットワークの計算を条件付けすることに基づいている。
提案したアーキテクチャは,ベンチマークデータセット上で最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2020-10-12T12:07:02Z) - 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) - Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。
類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
論文 参考訳(メタデータ) (2020-06-11T05:35:16Z) - Analogy as Nonparametric Bayesian Inference over Relational Systems [10.736626320566705]
本稿では,従来の関係構造からの予測を類似的に重み付けすることで,関係知識を新しい環境に一般化するベイズモデルを提案する。
この学習者は, 環境経験が小さい場合に, ランダム・ウィキペディア・システムから派生した関係データに基づいて, ナイーブな理論に基づく学習者より優れていることを示す。
論文 参考訳(メタデータ) (2020-06-07T14:07:46Z) - Towards Analogy-Based Explanations in Machine Learning [3.1410342959104725]
類推的推論は解釈可能性や説明可能性の観点からはそれほど面白くないと我々は主張する。
アナログベースのアプローチは、説明可能なAIと解釈可能な機械学習という領域における既存のアプローチの代替として実現可能なものだ。
論文 参考訳(メタデータ) (2020-05-23T06:41:35Z) - Building and Interpreting Deep Similarity Models [0.0]
そこで本稿では,入力機能の観点から説明することで類似性を解釈する手法を提案する。
我々は,2組の入力特徴に対して類似度スコアを系統的に分解する,スケーラブルで理論的に確立された手法であるBiLRPを開発した。
論文 参考訳(メタデータ) (2020-03-11T17:46:55Z) - Learning to See Analogies: A Connectionist Exploration [0.0]
この論文は、Analogatorと呼ばれるコンピュータプログラムの開発を通じて、学習と類推の統合を探求している。
多くの異なる類推問題を「見る」ことで、可能な解とともに、アナロゲータは徐々に新しい類推を創り出す能力を発展させている。
論文 参考訳(メタデータ) (2020-01-18T14:06:16Z) - Rethinking Class Relations: Absolute-relative Supervised and
Unsupervised Few-shot Learning [157.62595449130973]
本稿では,現在の数ショット学習法における単純化型クラスモデリングの基本的問題について検討する。
本稿では,ラベル情報をフル活用して画像表現を洗練するための,絶対相対学習パラダイムを提案する。
論文 参考訳(メタデータ) (2020-01-12T12:25:46Z)
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。