Fugu-MT 論文翻訳(概要): Online Learning and Disambiguations of Partial Concept Classes

論文の概要: Online Learning and Disambiguations of Partial Concept Classes

arxiv url: http://arxiv.org/abs/2303.17578v1
Date: Thu, 30 Mar 2023 17:46:50 GMT
ステータス: 処理完了
システム内更新日: 2023-03-31 12:22:30.064443
Title: Online Learning and Disambiguations of Partial Concept Classes
Title（参考訳）: 部分概念クラスのオンライン学習と曖昧さ
Authors: Tsun-Ming Cheung and Hamed Hatami and Pooya Hatami and Kaave Hosseini
Abstract要約: 最近の記事で、Alon、Hanneke、Holzman、Moranは、部分的な概念のクラスの学習可能性を研究する統一的なフレームワークを紹介した。彼らは、PAC学習ではそうではないことを示したが、オンラインの学習可能性というより強い概念のために、問題を解き放った。我々は、オンライン学習可能な部分概念のクラスを構築することでこの問題を解決するが、全体概念のクラスへの拡張はオンライン学習可能ではない。
参考スコア（独自算出の注目度）: 0.7264378254137809
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In a recent article, Alon, Hanneke, Holzman, and Moran (FOCS '21) introduced a unifying framework to study the learnability of classes of partial concepts. One of the central questions studied in their work is whether the learnability of a partial concept class is always inherited from the learnability of some ``extension'' of it to a total concept class. They showed this is not the case for PAC learning but left the problem open for the stronger notion of online learnability. We resolve this problem by constructing a class of partial concepts that is online learnable, but no extension of it to a class of total concepts is online learnable (or even PAC learnable).
Abstract（参考訳）: 最近の論文で、alon, hanneke, holzman, and moran (focs '21) は部分的概念のクラスの学習可能性を研究するための統一的な枠組みを導入した。彼らの研究で研究されている中心的な質問の1つは、部分的概念クラスの学習能力が、その「拡張」の学習可能性から常に全体的概念クラスに継承されるかどうかである。これはpac学習には当てはまらないが、オンライン学習可能性というより強固な概念のために問題をオープンにした。オンライン学習可能な部分概念のクラスを構築することで、この問題を解決するが、全体概念のクラスへの拡張はオンライン学習可能(PAC学習可能)ではない。

関連論文リスト

A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文参考訳（メタデータ） (2024-09-18T14:57:13Z)
Ramsey Theorems for Trees and a General 'Private Learning Implies Online Learning' Theorem [26.292576184028924]
この研究は、差分プライベート(DP)とオンライン学習との関係について研究を続けている。一般分類タスクにおいては,DP学習性はオンライン学習性を意味することを示す。
論文参考訳（メタデータ） (2024-07-10T15:43:30Z)
UnUnlearning: Unlearning is not sufficient for content regulation in advanced generative AI [50.61495097098296]
大規模言語モデル(LLM)におけるアンラーニングのパラダイムを再考する。未学習の概念を導入し、未学習の知識を文脈内で再導入する。我々は、不寛容な知識に対するコンテンツフィルタリングが不可欠であり、正確な未学習スキームでさえ、効果的なコンテンツ規制には不十分であると主張している。
論文参考訳（メタデータ） (2024-06-27T10:24:35Z)
MODL: Multilearner Online Deep Learning [23.86544389731734]
既存の作業はほとんど、純粋なディープラーニングソリューションの探索に重点を置いています。我々は,ハイブリッドマルチラーナーアプローチに基づく,異なるパラダイムを提案する。提案手法は,一般的なオンライン学習データセットにおいて,最先端の学習結果が得られることを示す。
論文参考訳（メタデータ） (2024-05-28T15:34:33Z)
Ticketed Learning-Unlearning Schemes [57.89421552780526]
そこで我々は,学習のためのチケット付きモデルを提案する。広義のコンセプトクラスに対して,空間効率のよいチケット付き学習スキームを提供する。
論文参考訳（メタデータ） (2023-06-27T18:54:40Z)
COPEN: Probing Conceptual Knowledge in Pre-trained Language Models [60.10147136876669]
概念的知識は人間の認知と知識基盤の基本である。既存の知識探索作業は、事前訓練された言語モデル(PLM)の事実知識のみに焦点を当て、概念知識を無視する。 PLMが概念的類似性によってエンティティを編成し、概念的特性を学習し、コンテキスト内でエンティティを概念化するかどうかを調査する3つのタスクを設計する。タスクのために、393のコンセプトをカバーする24kのデータインスタンスを収集、注釈付けします。
論文参考訳（メタデータ） (2022-11-08T08:18:06Z)
Multiclass Learnability Beyond the PAC Framework: Universal Rates and Partial Concept Classes [31.2676304636432]
本研究では,有界なラベル数$k$の多クラス分類の問題について,実現可能な設定で検討する。従来のPACモデルを(a)分布依存学習率、(b)データ依存仮定下での学習率に拡張する。
論文参考訳（メタデータ） (2022-10-05T14:36:27Z)
A Characterization of Multiclass Learnability [18.38631912121182]
DS次元はDanielyとShalev-Shwartz 2014によって定義された次元である。リスト学習設定では、与えられた未知の入力に対して単一の結果を予測する代わりに、予測の短いメニューを提供することが目標である。 2つ目の主な成果は、多クラス学習の可能性を特徴づける中心的な候補であるナタラジャン次元に関するものである。
論文参考訳（メタデータ） (2022-03-03T07:41:54Z)
A Theory of PAC Learnability of Partial Concept Classes [30.772106555607458]
我々は、多種多様な学習タスクをモデル化できるように、PAC学習理論を拡張した。部分概念クラスのPAC学習性を特徴付け,古典的クラスと根本的に異なるアルゴリズム的ランドスケープを明らかにする。
論文参考訳（メタデータ） (2021-07-18T13:29:26Z)
Concept Learners for Few-Shot Learning [76.08585517480807]
本研究では,人間の解釈可能な概念次元に沿って学習することで,一般化能力を向上させるメタ学習手法であるCOMETを提案する。我々は,細粒度画像分類,文書分類,セルタイプアノテーションなど,さまざまな領域からの少数ショットタスクによるモデルの評価を行った。
論文参考訳（メタデータ） (2020-07-14T22:04:17Z)
Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-06-23T18:28:08Z)

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。