Fugu-MT 論文翻訳(概要): Continual Causal Abstractions

論文の概要: Continual Causal Abstractions

arxiv url: http://arxiv.org/abs/2212.12575v1
Date: Fri, 23 Dec 2022 20:12:53 GMT
ステータス: 処理完了
システム内更新日: 2022-12-27 14:24:06.745501
Title: Continual Causal Abstractions
Title（参考訳）: 連続因果抽象化
Authors: Matej Ze\v{c}evi\'c and Moritz Willig and Jonas Seng and Florian Peter Busch
Abstract要約: 鍵となる考え方は、既存の因果的抽象化のレベルを、観測されたデータの歴史と一致し、与えられたタスクを解決するのにより効果的である、異なるレベルの詳細に書き換えることである。
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: This short paper discusses continually updated causal abstractions as a potential direction of future research. The key idea is to revise the existing level of causal abstraction to a different level of detail that is both consistent with the history of observed data and more effective in solving a given task.
Abstract（参考訳）: 本稿では,今後の研究の方向性として,因果的抽象化の継続的な更新について論じる。重要なアイデアは、既存のレベルの因果抽象を、観察されたデータの履歴と一致し、与えられたタスクの解決により効果的である異なる詳細レベルに修正することである。

関連論文リスト

Building Minimal and Reusable Causal State Abstractions for Reinforcement Learning [63.58935783293342]
Causal Bisimulation Modeling (CBM) は、各タスクのダイナミクスと報酬関数の因果関係を学習し、最小限のタスク固有の抽象化を導出する手法である。 CBMの学習された暗黙的ダイナミクスモデルは、明確なものよりも根底にある因果関係と状態抽象化を正確に識別する。
論文参考訳（メタデータ） (2024-01-23T05:43:15Z)
Neural Causal Abstractions [63.21695740637627]
我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
論文参考訳（メタデータ） (2024-01-05T02:00:27Z)
Benchmarking the Generation of Fact Checking Explanations [19.363672064425504]
我々は、正当化の生成(クレームが真か偽かのどちらかに分類される理由をテキストで説明する)に焦点を当て、新しいデータセットと高度なベースラインでベンチマークする。その結果,生産要約の正当性はクレーム情報から得られることがわかった。クロスデータセット実験は性能劣化に悩まされるが、2つのデータセットの組み合わせでトレーニングされたユニークなモデルは、スタイル情報を効率的に保持することができる。
論文参考訳（メタデータ） (2023-08-29T10:40:46Z)
Improving Factuality of Abstractive Summarization via Contrastive Reward Learning [77.07192378869776]
本稿では,報酬学習と実効性指標の最近の発展を取り入れた,シンプルだが効果的なコントラスト学習フレームワークを提案する。実証的研究により,提案手法により,実測値のフィードバックから要約モデルを学習できることが実証された。
論文参考訳（メタデータ） (2023-07-10T12:01:18Z)
The Current State of Summarization [0.0]
本研究は,抽象テキスト要約における技術の現状を簡潔に示すことを目的としている。本稿では,事前学習したエンコーダデコーダモデルと大規模自己回帰言語モデルへの現在のパラダイムシフトについて概説する。
論文参考訳（メタデータ） (2023-05-08T17:00:49Z)
Towards Computing an Optimal Abstraction for Structural Causal Models [16.17846886492361]
我々は抽象学習の問題に焦点をあてる。我々は,情報損失の具体的な尺度を提案し,その新しい抽象化の学習への貢献について説明する。
論文参考訳（メタデータ） (2022-08-01T14:35:57Z)
Improving Long Tailed Document-Level Relation Extraction via Easy Relation Augmentation and Contrastive Learning [66.83982926437547]
我々は,DocREが現実のシナリオにおいて,長期分布問題の緩和に不可欠であると主張する。長期分布問題に動機付けられ,DocREを改善するための簡易関係拡張法(ERA)を提案する。
論文参考訳（メタデータ） (2022-05-21T06:15:11Z)
Evaluating the Tradeoff Between Abstractiveness and Factuality in Abstractive Summarization [20.83986393847262]
複数のデータセットやモデル間で生成された要約の抽象性と事実性のトレードオフを分析する。抽象性の度合いを調節する新しい事実性指標を提案する。
論文参考訳（メタデータ） (2021-08-05T21:28:20Z)
Summarizing Text on Any Aspects: A Knowledge-Informed Weakly-Supervised Approach [89.56158561087209]
文書に関連する任意の側面を要約する。監視データがないため、我々は新しい弱い監督構築法とアスペクト・モデリング・スキームを開発した。実験により,本手法は実文書と合成文書の両方を要約することで,性能の向上を図っている。
論文参考訳（メタデータ） (2020-10-14T03:20:46Z)
Towards Interpretable Reasoning over Paragraph Effects in Situation [126.65672196760345]
我々は,原因と効果を理解するためのモデルを必要とする状況において,段落効果を推論する作業に焦点をあてる。本稿では,ニューラルネットワークモジュールを用いた推論プロセスの各ステップを明示的にモデル化する逐次的手法を提案する。特に、5つの推論モジュールはエンドツーエンドで設計され、学習され、より解釈可能なモデルにつながる。
論文参考訳（メタデータ） (2020-10-03T04:03:52Z)

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。