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
- 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) - Learning Bottleneck Concepts in Image Classification [24.624603699966094]
Bottleneck Concept Learner (BotCL) は、目標タスクに対するトレーニングを通じて学んだ概念の存在/存在のみをイメージとして表現する。
BotCLは自己スーパービジョンと調整された正規化器を使用して、学習された概念を人間に理解できるようにする。
論文 参考訳(メタデータ) (2023-04-20T07:32:05Z) - 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) - Dive into Deep Learning [119.30375933463156]
この本はJupyterのノートブックでドラフトされており、説明図、数学、インタラクティブな例を自己完結型コードとシームレスに統合している。
私たちのゴールは、(i)誰でも自由に利用できるリソースを提供すること、(ii)応用機械学習科学者になるための出発点を提供するのに十分な技術的な深さを提供すること、(iii)実行可能なコードを含み、実際にどのように問題を解決するかを読者に示すこと、(iv)私たちとコミュニティの両方による迅速なアップデートを可能にすることです。
論文 参考訳(メタデータ) (2021-06-21T18:19:46Z) - 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) - A Computational Separation between Private Learning and Online Learning [19.001036556917818]
概念クラスは、オンライン学習可能であれば、かつ、オンライン学習可能であれば、プライベートに学習可能である。
この等価性は、サンプルと計算効率の両方に大きな損失をもたらす。
単方向関数の存在を前提として、そのような効率的な変換は、サンプル複雑性を持つ純粋にプライベートな学習者にとって不可能であることを示す。
論文 参考訳(メタデータ) (2020-07-11T02:41:54Z) - 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) - Probably Approximately Correct Constrained Learning [135.48447120228658]
我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。
PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。
このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
論文 参考訳(メタデータ) (2020-06-09T19:59:29Z)
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。