論文の概要: Verifying Properties of Tsetlin Machines
- arxiv url: http://arxiv.org/abs/2303.14464v1
- Date: Sat, 25 Mar 2023 13:17:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 19:32:44.646723
- Title: Verifying Properties of Tsetlin Machines
- Title（参考訳）: tsetlinマシンの特性検証
- Authors: Emilia Przybysz and Bimal Bhattarai and Cosimo Persia and Ana Ozaki
and Ole-Christoffer Granmo and Jivitesh Sharma
- Abstract要約: 本稿では、命題論理にTsMsを正確に符号化し、SATソルバを用いてTsMsの特性を正式に検証する。
文献からの堅牢性と等価性の概念を考察し,それらをTsMに適用する。
実験では,MNISTとIMDBのデータセットを画像と感情の分類に使用した。
- 参考スコア（独自算出の注目度）: 18.870370171271126
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tsetlin Machines (TsMs) are a promising and interpretable machine learning
method which can be applied for various classification tasks. We present an
exact encoding of TsMs into propositional logic and formally verify properties
of TsMs using a SAT solver. In particular, we introduce in this work a notion
of similarity of machine learning models and apply our notion to check for
similarity of TsMs. We also consider notions of robustness and equivalence from
the literature and adapt them for TsMs. Then, we show the correctness of our
encoding and provide results for the properties: adversarial robustness,
equivalence, and similarity of TsMs. In our experiments, we employ the MNIST
and IMDB datasets for (respectively) image and sentiment classification. We
discuss the results for verifying robustness obtained with TsMs with those in
the literature obtained with Binarized Neural Networks on MNIST.
- Abstract（参考訳）: Tsetlin Machines (TsMs) は様々な分類タスクに適用できる有望かつ解釈可能な機械学習手法である。
本稿では、命題論理にTsMsを正確に符号化し、SATソルバを用いてTsMsの特性を正式に検証する。
特に,本稿では,機械学習モデルの類似性の概念を紹介し,tsmsの類似性をチェックするためにこの概念を適用する。
また,文献からロバスト性と等価性の概念を考察し,tsmに適用する。
次に、符号化の正確性を示し、逆ロバスト性、等価性、tsmsの類似性などの特性について結果を提供する。
実験では,MNISTとIMDBのデータセットを用いて,画像と感情の分類を行った。
本稿では,mnist上の2値化ニューラルネットワークを用いた文献を用いて,tsmsによるロバスト性検証結果について考察する。
関連論文リスト
- Predicting Word Similarity in Context with Referential Translation Machines [0.0]
タスクを機械翻訳性能予測(MTPP)としてキャストすることで、英語の2単語間の類似性を識別する。
我々は、トレーニングとテストセットの共通表現を可能にするレファレンシャル翻訳機械(RTM)を使用している。
RTMは、グレードドドワード類似性(GWSC)タスクの上位結果を達成することができる。
論文 参考訳（メタデータ） (2024-07-07T09:36:41Z) - Identifying Intensity of the Structure and Content in Tweets and the Discriminative Power of Attributes in Context with Referential Translation Machines [0.0]
我々は、属性と英語の2つの単語の類似性を識別するために、レファレンシャル翻訳機械(RTM)を用いる。
RTMは、英語、アラビア語、スペイン語のツイートの構造と内容の強さを予測するためにも使われる。
論文 参考訳（メタデータ） (2024-07-06T18:58:10Z) - Which Syntactic Capabilities Are Statistically Learned by Masked
Language Models for Code? [51.29970742152668]
精度に基づく測定に依存することで、モデルの能力が過大評価される可能性があることを強調する。
これらの問題に対処するために,SyntaxEval in Syntactic Capabilitiesというテクニックを導入する。
論文 参考訳（メタデータ） (2024-01-03T02:44:02Z) - Match me if you can: Semi-Supervised Semantic Correspondence Learning with Unpaired Images [76.47980643420375]
本稿では,意味的対応の学習に固有のデータ・ハングリー・マターが存在するという仮説に基づく。
我々は,機械の監督を通じて,ペア化されたキーポイントを確実に強化する単純な機械注釈器を実証する。
我々のモデルは,SPair-71k,PF-PASCAL,PF-WILLOWといった意味対応学習ベンチマークの最先端モデルを上回る。
論文 参考訳（メタデータ） (2023-11-30T13:22:15Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳（メタデータ） (2022-06-26T16:00:22Z) - Towards Math-Aware Automated Classification and Similarity Search of
Scientific Publications: Methods of Mathematical Content Representations [0.456877715768796]
STEM文書における自動分類と類似性検索に適した数学的内容表現について検討する。
これらの手法は、arXiv.org論文のサブセットにおいて、参照分類として数学対象分類(MSC)を用いて評価される。
論文 参考訳（メタデータ） (2021-10-08T11:27:40Z) - More Than Words: Collocation Tokenization for Latent Dirichlet
Allocation Models [71.42030830910227]
モデルが異なる環境でクラスタリングの品質を測定するための新しい指標を提案する。
マージトークンでトレーニングされたトピックは、マージされていないモデルよりも、より明確で、一貫性があり、トピックを区別する効果が高いトピックキーをもたらすことを示す。
論文 参考訳（メタデータ） (2021-08-24T14:08:19Z) - Interpretable and Low-Resource Entity Matching via Decoupling Feature
Learning from Decision Making [22.755892575582788]
Entity Matchingは、同じ現実世界のオブジェクトを表すエンティティレコードを認識することを目的としている。
異種情報融合(HIF)とキー属性ツリー(KAT)誘導からなる新しいEMフレームワークを提案する。
提案手法は効率が高く,ほとんどの場合SOTA EMモデルより優れている。
論文 参考訳（メタデータ） (2021-06-08T08:27:31Z) - A Correspondence Variational Autoencoder for Unsupervised Acoustic Word
Embeddings [50.524054820564395]
そこで本稿では,変数分割音声セグメントを固定次元表現にマッピングするための教師なしモデルを提案する。
結果として得られる音響単語の埋め込みは、低リソース言語とゼロリソース言語のための検索、発見、インデックスシステムの基礎を形成することができる。
論文 参考訳（メタデータ） (2020-12-03T19:24:42Z) - Interpretable Multi-dataset Evaluation for Named Entity Recognition [110.64368106131062]
本稿では,名前付きエンティティ認識(NER)タスクに対する一般的な評価手法を提案する。
提案手法は,モデルとデータセットの違いと,それらの間の相互作用を解釈することを可能にする。
分析ツールを利用可能にすることで、将来の研究者が同様の分析を実行し、この分野の進歩を促進することができる。
論文 参考訳（メタデータ） (2020-11-13T10:53:27Z)
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。