論文の概要: Computing with Categories in Machine Learning
- arxiv url: http://arxiv.org/abs/2303.04156v1
- Date: Tue, 7 Mar 2023 17:26:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 16:22:49.714477
- Title: Computing with Categories in Machine Learning
- Title(参考訳): 機械学習のカテゴリによるコンピューティング
- Authors: Eli Sennesh, Tom Xu, Yoshihiro Maruyama
- Abstract要約: 分類構造学習フレームワークとしてDisCoPyroを導入する。
DisCoPyroはカテゴリー構造と償却変分推論を組み合わせる。
我々は、DisCoPyroが最終的には人工知能の開発に寄与するのではないかと推測する。
- 参考スコア(独自算出の注目度): 1.7679374058425343
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Category theory has been successfully applied in various domains of science,
shedding light on universal principles unifying diverse phenomena and thereby
enabling knowledge transfer between them. Applications to machine learning have
been pursued recently, and yet there is still a gap between abstract
mathematical foundations and concrete applications to machine learning tasks.
In this paper we introduce DisCoPyro as a categorical structure learning
framework, which combines categorical structures (such as symmetric monoidal
categories and operads) with amortized variational inference, and can be
applied, e.g., in program learning for variational autoencoders. We provide
both mathematical foundations and concrete applications together with
comparison of experimental performance with other models (e.g., neuro-symbolic
models). We speculate that DisCoPyro could ultimately contribute to the
development of artificial general intelligence.
- Abstract(参考訳): カテゴリー理論は科学の様々な分野に適用され、多様な現象を統一する普遍原理に光を当て、それらの間の知識伝達を可能にする。
機械学習の応用は近年研究されているが、抽象数学的基礎と機械学習タスクへの具体的応用の間にはまだギャップがある。
本稿では,カテゴリ構造(対称モノイド圏やオペレーティングなど)と非モルト化変分推論を組み合わせた分類構造学習フレームワークとしてdiscopyroを導入し,例えば,変分オートエンコーダのためのプログラム学習に適用する。
他のモデル(例えばニューロシンボリックモデル)との比較とともに、数学的基礎と具体的な応用の両方を提供する。
我々は、DisCoPyroが最終的には人工知能の開発に寄与するのではないかと推測する。
関連論文リスト
- Hierarchical Invariance for Robust and Interpretable Vision Tasks at
Larger Scales [58.046982315688275]
本稿では、畳み込みニューラルネットワーク(CNN)のような階層型アーキテクチャを用いて、オーバーコンプリート不変量を構築する方法を示す。
オーバーコンプリート性により、そのタスクはニューラルアーキテクチャサーチ(NAS)のような方法で適応的に形成される。
大規模で頑健で解釈可能な視覚タスクの場合、階層的不変表現は伝統的なCNNや不変量に対する効果的な代替物とみなすことができる。
論文 参考訳(メタデータ) (2024-02-23T16:50:07Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳(メタデータ) (2024-02-20T15:23:24Z) - Where2Explore: Few-shot Affordance Learning for Unseen Novel Categories
of Articulated Objects [15.989258402792755]
Where2Explore"は、限られた数のインスタンスで最小限のインタラクションを持つ新しいカテゴリを効果的に探求するフレームワークである。
本フレームワークは, 異なるカテゴリ間の幾何学的類似性を明示的に推定し, 効率的な探索のための訓練カテゴリの形状と異なる局所領域を同定する。
論文 参考訳(メタデータ) (2023-09-14T07:11:58Z) - Foundations and Recent Trends in Multimodal Machine Learning:
Principles, Challenges, and Open Questions [68.6358773622615]
本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。
本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。
最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
論文 参考訳(メタデータ) (2022-09-07T19:21:19Z) - Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。
物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
論文 参考訳(メタデータ) (2022-03-11T18:27:04Z) - Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。
また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
論文 参考訳(メタデータ) (2021-08-17T17:44:38Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - Category Theory in Machine Learning [1.6758573326215689]
機械学習におけるカテゴリ理論の適用におけるモチベーション,目標,共通テーマについて述べる。
勾配に基づく学習、確率、同変学習について触れる。
論文 参考訳(メタデータ) (2021-06-13T15:58:13Z) - Machine-Learning Mathematical Structures [0.0]
本稿では,様々な問題に対するアキュラティシーの比較研究を行う。
このパラダイムは、予想の定式化、より効率的な計算方法の発見、数学における特定の構造階層の探索に有用である。
論文 参考訳(メタデータ) (2021-01-15T22:48:19Z) - Universal Differential Equations for Scientific Machine Learning [1.0539847330971805]
我々は、物理法則や科学モデルに関する情報とデータ駆動機械学習アプローチを混合するためのツールとして、SciMLソフトウェアエコシステムを紹介した。
生体機構の自動発見から高次元ハミルトン・ヤコビ・ベルマン方程式の解法に至るまで、様々な応用がいかにフレーズ化され、効率的に扱われるかを示す。
論文 参考訳(メタデータ) (2020-01-13T16:40:35Z)
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。