論文の概要: A Meta-Learning Algorithm for Interrogative Agendas
- arxiv url: http://arxiv.org/abs/2301.01837v1
- Date: Wed, 4 Jan 2023 22:09:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 14:01:16.369225
- Title: A Meta-Learning Algorithm for Interrogative Agendas
- Title(参考訳): 質問課題に対するメタラーニングアルゴリズム
- Authors: Erman Acar, Andrea De Domenico, Krishna Manoorkar and Mattia
Panettiere
- Abstract要約: 我々は,質問的議題を表現するために,標準的な知識表現形式主義である形式概念分析(FCA)に焦点を当てる。
FCAベースのアルゴリズムは、分類や外れ値検出などの標準的な機械学習タスクにすでに使用されている。
本稿では,データを説明する優れた質問課題を構築するためのメタ学習アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 3.0969191504482247
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Explainability is a key challenge and a major research theme in AI research
for developing intelligent systems that are capable of working with humans more
effectively. An obvious choice in developing explainable intelligent systems
relies on employing knowledge representation formalisms which are inherently
tailored towards expressing human knowledge e.g., interrogative agendas. In the
scope of this work, we focus on formal concept analysis (FCA), a standard
knowledge representation formalism, to express interrogative agendas, and in
particular to categorize objects w.r.t. a given set of features. Several
FCA-based algorithms have already been in use for standard machine learning
tasks such as classification and outlier detection. These algorithms use a
single concept lattice for such a task, meaning that the set of features used
for the categorization is fixed. Different sets of features may have different
importance in that categorization, we call a set of features an agenda. In many
applications a correct or good agenda for categorization is not known
beforehand. In this paper, we propose a meta-learning algorithm to construct a
good interrogative agenda explaining the data. Such algorithm is meant to call
existing FCA-based classification and outlier detection algorithms iteratively,
to increase their accuracy and reduce their sample complexity. The proposed
method assigns a measure of importance to different set of features used in the
categorization, hence making the results more explainable.
- Abstract(参考訳): 説明可能性は、より効果的に人間と作業できるインテリジェントなシステムを開発するためのai研究における重要な課題であり、主要な研究テーマである。
説明可能な知的なシステムを開発する際の明らかな選択は、人間の知識を表現するために本質的に適合した知識表現形式(例えば疑問的議題)を採用することにある。
本研究の範囲内では,質問的議題を表現するための標準的な知識表現形式主義である形式概念分析(FCA)に注目し,特に与えられた特徴の集合を分類する。
FCAベースのアルゴリズムは、分類や外れ値検出などの標準的な機械学習タスクにすでに使用されている。
これらのアルゴリズムは、そのようなタスクに単一の概念格子を用いるので、分類に使われる特徴の集合は固定される。
異なる機能のセットは、その分類において異なる重要性を持つかもしれません。
多くのアプリケーションでは、分類のための正しいアジェンダや良いアジェンダが事前に分かっていない。
本稿では,データを説明する優れた質問課題を構築するメタ学習アルゴリズムを提案する。
このようなアルゴリズムは、既存のFCAベースの分類と外れ値検出アルゴリズムを反復的に呼び出して、精度を高め、サンプルの複雑さを低減する。
提案手法は,分類に使用する特徴の異なるセットに重要度を割り当て,その結果をより説明しやすいものにする。
関連論文リスト
- The Art of Misclassification: Too Many Classes, Not Enough Points [0.46873264197900916]
本稿では,分類問題の本質的難易度を定量化する,形式的エントロピーに基づく分類可能性尺度を提案する。
この尺度は、クラスオーバーラップの度合いを捉え、人間の直感と整合し、分類性能の上限として機能する。
論文 参考訳(メタデータ) (2025-02-12T00:57:53Z) - Word and Phrase Features in Graph Convolutional Network for Automatic Question Classification [0.7405975743268344]
本稿では,Phase Question-Graph Convolutional Network (PQ-GCN) というグラフ畳み込みネットワークを活用する新しい手法を提案する。
以上の結果から,これらの特徴を付加した提案モデルが,より堅牢で文脈に配慮した質問分類のための有望なソリューションであることが示された。
論文 参考訳(メタデータ) (2024-09-04T07:13:30Z) - Outlier detection using flexible categorisation and interrogative
agendas [42.321011564731585]
与えられたオブジェクトの集合を分類する方法は、それらを分類するのに使用される機能の集合の選択に依存する。
まず,異なるアジェンダから生じる分類を用いて,外乱検出のための単純な教師なしFCAベースのアルゴリズムを開発する。
次に、重みや質量の異なる特徴の集合として分類する適切なアジェンダを学習するための教師付きメタ学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-19T10:05:09Z) - Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。
本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-13T16:04:06Z) - Open-Set Automatic Target Recognition [52.27048031302509]
オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。
既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。
ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-10T21:28:24Z) - Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。
相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文 参考訳(メタデータ) (2020-09-07T16:47:30Z) - Analyzing the Real-World Applicability of DGA Classifiers [3.0969191504482243]
DGAによって生成されたドメインから良性ドメインを分離する新しい分類器を提案する。
分類性能を評価し, 説明可能性, 堅牢性, 学習速度, 分類速度について比較した。
新たに提案したバイナリ分類器は,他のネットワークによく適応し,タイムロバストであり,これまで知られていなかったDGAを識別することができる。
論文 参考訳(メタデータ) (2020-06-19T12:34:05Z) - Explainable AI for Classification using Probabilistic Logic Inference [9.656846523452502]
説明可能な分類法を提案する。
本手法は,まず学習データから記号的知識ベースを構築し,その知識ベース上で線形プログラミングによる確率的推論を行う。
これは、ある分類を説明として責任を負う決定的な特徴を特定し、アートリー値ベースの手法であるSHAPに類似した結果を生成する。
論文 参考訳(メタデータ) (2020-05-05T11:39:23Z) - Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。
我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文 参考訳(メタデータ) (2020-04-15T15:58:05Z) - Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。
最小クラスタ回復誤差率のアルゴリズムを考案する。
適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文 参考訳(メタデータ) (2019-10-14T09:18:26Z)
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。