論文の概要: Random forests, sound symbolism and Pokemon evolution

• arxiv url: http://arxiv.org/abs/2301.01948v1
• Date: Thu, 5 Jan 2023 08:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2023-01-06 13:32:34.646728
• Title: Random forests, sound symbolism and Pokemon evolution
• Title（参考訳）: ランダム・フォレスト、サウンド・シンボリズム、ポケモンの進化
• Authors: Alexander James Kilpatrick, Aleksandra Cwiek, Shigeto Kawahara
• Abstract要約: 本研究では,音の記号を用いてサンプルを分類する機械学習アルゴリズムを構築した。 それは、人間の参加者に対する理解を測定するために設計された実験について報告している。
• 参考スコア（独自算出の注目度）: 125.99533416395765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study constructs machine learning algorithms that are trained to classify samples using sound symbolism, and then it reports on an experiment designed to measure their understanding against human participants. Random forests are trained using the names of Pokemon, which are fictional video game characters, and their evolutionary status. Pokemon undergo evolution when certain in-game conditions are met. Evolution changes the appearance, abilities, and names of Pokemon. In the first experiment, we train three random forests using the sounds that make up the names of Japanese, Chinese, and Korean Pokemon to classify Pokemon into pre-evolution and post-evolution categories. We then train a fourth random forest using the results of an elicitation experiment whereby Japanese participants named previously unseen Pokemon. In Experiment 2, we reproduce those random forests with name length as a feature and compare the performance of the random forests against humans in a classification experiment whereby Japanese participants classified the names elicited in Experiment 1 into pre-and post-evolution categories. Experiment 2 reveals an issue pertaining to overfitting in Experiment 1 which we resolve using a novel cross-validation method. The results show that the random forests are efficient learners of systematic sound-meaning correspondence patterns and can classify samples with greater accuracy than the human participants.
• Abstract（参考訳）: 本研究は,音響シンボルを用いたサンプル分類を訓練した機械学習アルゴリズムを構築し,被験者に対する理解度を測定する実験を報告する。 ランダムフォレストは、架空のビデオゲームキャラクターであるポケモンの名前とその進化状態を使って訓練される。 ポケモンは特定のゲーム内条件を満たすと進化する。 進化はポケモンの外見、能力、名前を変える。 最初の実験では、日本、中国、韓国のポケモンの名前を構成する音を使って3つのランダムな森を訓練し、ポケモンを進化前のカテゴリーと進化後のカテゴリに分類する。 次に,前例のないポケモン(Pokemon)と名づけられた日本人を対象に,誘引実験の結果を用いて,第4のランダム林を訓練した。 実験2では,無作為林を特徴として再現し,無作為林の性能と人間との比較を行った。 実験2は,新しい相互評価法を用いて解決する実験1における過剰フィッティングに関する問題を明らかにする。 その結果,ランダム林は系統的音量測定パターンの効率的な学習者であり,被験者よりも高い精度でサンプルを分類できることがわかった。

関連論文リスト

• Seeding for Success: Skill and Stochasticity in Tabletop Games [0.0]
  ゲームはしばしば、サイコロやシャッフルカードデッキの形でランダム要素を組み込む。 このランダム性は、プレイヤーの経験や遭遇した様々なゲーム状況に重要な貢献をする。 ゲームが面白く、ゲームのプレイヤの楽しみに寄与するランダム性のレベルと、結果自体が効果的にランダムであり、ゲームが退屈になるレベルとの間には緊張関係がある。
  論文  参考訳（メタデータ） (2025-03-04T14:58:59Z)
• Game-Theoretic Unlearnable Example Generator [18.686469222136854]
  学習不可能な例攻撃は、トレーニングサンプルに知覚不能な摂動を加えることによって、ディープラーニングのクリーンなテスト精度を低下させることを目的としている。 本稿では,非ゼロ和スタックルバーグゲームとしてアタックを定式化することにより,ゲーム理論の観点からの未知の例攻撃について検討する。 本稿では,3つの主要な勾配を持つGUE(Game Unlearnable Example)と呼ばれる新たな攻撃手法を提案する。
  論文  参考訳（メタデータ） (2024-01-31T00:43:30Z)
• Evolutionary Tabletop Game Design: A Case Study in the Risk Game [0.1474723404975345]
  本研究は、テーブルトップゲームに対するアプローチの拡張を提案し、リスクの変種を生成することによってプロセスを評価する。 我々は、選択したパラメータを進化させる遺伝的アルゴリズムと、ゲームをテストするルールベースのエージェントを用いてこれを達成した。 結果は、より小さなマップを持つオリジナルゲームの新たなバリエーションが作成され、結果としてより短いマッチとなることを示している。
  論文  参考訳（メタデータ） (2023-10-30T20:53:26Z)
• What artificial intelligence might teach us about the origin of human language [91.3755431537592]
  本研究は、人工知能と音の象徴性を組み合わせた研究から生まれたパターンを探索する。 機械学習アルゴリズムは、音のシンボリズムの効率的な学習者であるが、あるカテゴリーを他方に偏りがちである。
  論文  参考訳（メタデータ） (2023-01-15T23:25:29Z)
• Learning One Abstract Bit at a Time Through Self-Invented Experiments Encoded as Neural Networks [8.594140167290098]
  興味ある実験の自動生成に関する実験的検討を行った。 まず, 補強環境における自己発明実験について検討した。 2つ目の設定では、リカレントニューラルネットワークの重みとして純粋な思考実験が実施される。
  論文  参考訳（メタデータ） (2022-12-29T17:11:49Z)
• ForestEyes Project: Conception, Enhancements, and Challenges [68.8204255655161]
  この研究はフォレストEyesという市民科学プロジェクトを紹介している。 リモートセンシング画像の解析と分類を通じてボランティアの回答を用いて、熱帯雨林の森林破壊地域をモニタリングする。 これらの回答の品質を評価するために、ブラジルの法律Amazonのリモートセンシング画像を使用して、さまざまなキャンペーン/ワークフローがローンチされた。
  論文  参考訳（メタデータ） (2022-08-24T17:48:12Z)
• Challenges in Statistical Analysis of Data Collected by a Bandit Algorithm: An Empirical Exploration in Applications to Adaptively Randomized Experiments [11.464963616709671]
  多腕バンディットアルゴリズムは、適応的ランダム化実験に有用であると何十年も議論されてきた。 バンディットアルゴリズムThompson Sampling (TS) を用いて, 3つの大学で適応実験を行った。 TSを用いたデータ収集はFalse Positive Rate(FPR)とFalse Negative Rate(FNR)を2倍にすることができることを示す。
  論文  参考訳（メタデータ） (2021-03-22T22:05:18Z)
• Teach me to play, gamer! Imitative learning in computer games via linguistic description of complex phenomena and decision tree [55.41644538483948]
  本稿では,複雑な現象の言語記述に基づく模倣による新しい機械学習モデルを提案する。 この手法は,ゲーム開発における知的エージェントの動作を設計し,実装するための優れた代替手段となる。
  論文  参考訳（メタデータ） (2021-01-06T21:14:10Z)
• Learning to Play Sequential Games versus Unknown Opponents [93.8672371143881]
  学習者が最初にプレーするゲームと、選択した行動に反応する相手との連続的なゲームについて考察する。 対戦相手の対戦相手列と対戦する際,学習者に対して新しいアルゴリズムを提案する。 我々の結果には、相手の反応の正則性に依存するアルゴリズムの後悔の保証が含まれている。
  論文  参考訳（メタデータ） (2020-07-10T09:33:05Z)
• Fine-Tuning Pretrained Language Models: Weight Initializations, Data Orders, and Early Stopping [62.78338049381917]
  教師付き下流タスクのための微調整済み文脈単語埋め込みモデルは、自然言語処理において一般的なものとなっている。 GLUEベンチマークから得られた4つのデータセットを実験し、無作為な種だけを変えながら、それぞれに数百回微調整されたBERTを実験した。 これまでに報告した結果と比較すると,性能が大幅に向上し,微調整試行回数の関数としてベストファウンドモデルの性能がどう変化するかが定量化される。
  論文  参考訳（メタデータ） (2020-02-15T02:40:10Z)
• Evolutionary Approach to Collectible Card Game Arena Deckbuilding using Active Genes [1.027974860479791]
  アリーナゲームモードでは、各試合に先立って、プレイヤーは以前知らなかった選択肢から1枚ずつデッキ選択カードを組み立てなければならない。 そこで本研究では,遺伝子型の世代別サブシーケンスのみに対する演算子の範囲を減らすために,活性遺伝子の概念を用いた進化的アルゴリズムの変種を提案する。
  論文  参考訳（メタデータ） (2020-01-05T22:46:08Z)

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。