Fugu-MT 論文翻訳(概要): Some recent advances in reasoning based on analogical proportions

論文の概要: Some recent advances in reasoning based on analogical proportions

arxiv url: http://arxiv.org/abs/2212.11717v1
Date: Thu, 22 Dec 2022 14:10:14 GMT
ステータス: 処理完了
システム内更新日: 2022-12-23 14:37:06.547244
Title: Some recent advances in reasoning based on analogical proportions
Title（参考訳）: 類比に基づく推論の最近の進歩
Authors: Myriam Bounhas and Henri Prade and Gilles Richard
Abstract要約: アナロジー比は類推の形式化において重要な役割を果たしている。本稿ではまず,精度と計算コストの観点から,アナログ推論を改善する方法について論じる。
参考スコア（独自算出の注目度）: 9.861775841965386
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Analogical proportions compare pairs of items (a, b) and (c, d) in terms of their differences and similarities. They play a key role in the formalization of analogical inference. The paper first discusses how to improve analogical inference in terms of accuracy and in terms of computational cost. Then it indicates the potential of analogical proportions for explanation. Finally, it highlights the close relationship between analogical proportions and multi-valued dependencies, which reveals an unsuspected aspect of the former.
Abstract（参考訳）: 類似の比率は、それらの差異と類似性の観点から、(a, b) と (c, d) のペアを比較する。これらは類推の形式化において重要な役割を果たす。本稿ではまず,精度と計算コストの観点から,アナログ推論を改善する方法について論じる。すると、説明のための類比のポテンシャルを示す。最後に、類似の比率と多値依存の間の密接な関係を強調し、前者の無意味な側面を明らかにする。

関連論文リスト

Normalization in Proportional Feature Spaces [49.48516314472825]
データ表現、特徴付け、可視化、分析、比較、分類、モデリングにおいて、正規化は重要な中心的な役割を果たす。適切な正規化手法の選択は、関連する特徴の種類と特徴を考慮する必要がある。
論文参考訳（メタデータ） (2024-09-17T17:46:27Z)
Similarity-based analogical proportions [0.0]
本論文の目的は, 前者の観点から後者を定式化することによって, 類似性から類似性へ橋を架けることである。この類似性に基づくアプローチの利点は、比例と類似性の間の関係がフレームワークに組み込まれていることである。
論文参考訳（メタデータ） (2024-02-28T14:31:34Z)
Predicting Text Preference Via Structured Comparative Reasoning [110.49560164568791]
我々は、構造化中間比較を生成することによって、テキストの嗜好を予測するプロンプト方式であるSCを導入する。我々は、テキスト間の差異を明確に区別するためのペアワイズ整合コンパレータと一貫した比較を選択する。要約,検索,自動評価など多種多様なNLPタスクに対する総合的な評価は,SCがテキスト優先予測における最先端性能を達成するためにLLMを装備していることを示す。
論文参考訳（メタデータ） (2023-11-14T18:51:38Z)
StoryAnalogy: Deriving Story-level Analogies from Large Language Models to Unlock Analogical Understanding [72.38872974837462]
大規模ストーリーレベルの類似語コーパスを構築することにより,類似語を識別・生成する能力を評価する。 textscStory Analogyには、さまざまなドメインから24Kストーリーペアが含まれており、拡張された構造マッピング理論の2つの類似点に人間のアノテーションがある。我々は、textscStory Analogyのデータは、大言語モデルにおけるアナログ生成の品質を向上させることができることを観察した。
論文参考訳（メタデータ） (2023-10-19T16:29:23Z)
ARN: Analogical Reasoning on Narratives [13.707344123755126]
我々は、物語要素を用いて表面マッピングとシステムマッピングを作成する、アナロジーの支配的理論を運用するフレームワークを開発する。すべてのLLMがほぼ類似点を認識できるが、最大でもゼロショット環境では極端に類似点に苦戦している。
論文参考訳（メタデータ） (2023-10-02T08:58:29Z)
Beneath Surface Similarity: Large Language Models Make Reasonable Scientific Analogies after Structure Abduction [46.2032673640788]
人間の認知における類推的推論の不可欠な役割は、共用関係構造を通して親しみやすい概念とリンクすることで、新しい概念を把握できることである。この研究は、Large Language Models (LLM) がこれらの類似の基盤となる構造をしばしば見落としていることを示唆している。本稿では,2つのシステム間の類似性を形成する構造を導出するための,認知心理学に基づく類推的構造推論の課題を紹介する。
論文参考訳（メタデータ） (2023-05-22T03:04:06Z)
ANALOGYKB: Unlocking Analogical Reasoning of Language Models with A Million-scale Knowledge Base [51.777618249271725]
ANALOGYKBは、既存の知識グラフ(KGs)から派生した100万スケールのアナロジー知識ベースである 1)KGから直接抽出できる同一関係のアナロジー、2)大きな言語モデル(LLM)によって実現される選択とフィルタリングパイプラインと識別される類似関係のアナロジーである。
論文参考訳（メタデータ） (2023-05-10T09:03:01Z)
Counting Like Human: Anthropoid Crowd Counting on Modeling the Similarity of Objects [92.80955339180119]
メインストリームの群衆計数法は密度マップを補強して計数結果を得るために統合する。これに触発された我々は,合理的かつ人為的な集団カウントフレームワークを提案する。
論文参考訳（メタデータ） (2022-12-02T07:00:53Z)
Galois theory for analogical classifiers [1.7132914341329848]
A is to B as C is to D" と書かれた 4-ary 関係である。最近の研究は、そのような関係が類似推論と呼ばれる特定の形の推論を支持できるという事実を強調している。
論文参考訳（メタデータ） (2022-05-09T23:03:56Z)
Analogies and Feature Attributions for Model Agnostic Explanation of Similarity Learners [29.63747822793279]
ブラックボックスの類似性学習者によって決定される入力のペア間の類似性を説明するための特徴属性を提供する手法を提案する。ここでのゴールは、入力対と同じレベルの類似性を共有する様々な類似の例のペアを特定することである。我々の類似目的関数は部分モジュラーであることを証明し、良質な類似関係の探索を効率化する。
論文参考訳（メタデータ） (2022-02-02T17:28:56Z)
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)

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。