Fugu-MT 論文翻訳(概要): On the Prime Number Divisibility by Deep Learning

論文の概要: On the Prime Number Divisibility by Deep Learning

arxiv url: http://arxiv.org/abs/2304.01333v1
Date: Mon, 3 Apr 2023 19:53:31 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 16:26:55.198361
Title: On the Prime Number Divisibility by Deep Learning
Title（参考訳）: 深層学習による素数分割可能性について
Authors: Da Wu, Jingye Yang, Mian Umair Ahsan, Kai Wang
Abstract要約: 我々は、小素数による大きな有限整数(最大232ドル)の可除性を決定するシナリオを評価する。素数の可除性を予測する能力は、ディープラーニングモデルに入力される特徴空間に依存することが判明した。機能エンジニアリングは、パフォーマンスを改善し、解釈可能性を高め、機械学習/深層学習モデルの複雑さを軽減するための重要なタスクである、と結論付けている。
参考スコア（独自算出の注目度）: 3.034818541927824
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Certain tasks such as determining whether a given integer can be divided by 2, 3, or other prime numbers may be trivial for human beings, but can be less straightforward for computers in the absence of pre-specified algorithms. In this paper, we tested multiple deep learning architectures and feature engineering approaches, and evaluated the scenario of determining divisibility of large finite integers (up to $2^{32}$) by small prime numbers. It turns out that, regardless of the network frameworks or the complexity of the network structures (CNN, RNN, Transformer, etc.), the ability to predict the prime number divisibility critically depends on the feature space fed into the deep learning models. We also evaluated commercially available Automated Machine Learning (AutoML) pipelines from Amazon, Google and Microsoft, and demonstrated that they failed to address this issue unless appropriately engineered features were provided. We further proposed a closed form solution to the problem using the ordinary linear regression on Fourier series basis vectors, and showed its success. Finally, we evaluated prompt-based learning using ChatGPT and demonstrated its success on small primes and apparent failures on larger primes. We conclude that feature engineering remains an important task to improve the performance, increase the interpretability, and reduce the complexity of machine learning/deep learning models, even in the era of AutoML and large-language models (LLMs).
Abstract（参考訳）: 与えられた整数を2、3または他の素数で割り切れるかどうかを決定するようなタスクは、人間にとって自明であるが、事前に特定されたアルゴリズムがなければ、コンピュータにとって簡単ではない。本稿では,複数のディープラーニングアーキテクチャと特徴工学的アプローチを検証し,小素数による大きな有限整数の可除性(最大2^{32}$)を決定するシナリオを評価した。その結果、ネットワークフレームワークやネットワーク構造(CNN、RNN、Transformerなど)の複雑さに関わらず、素数の可視性を予測する能力は、ディープラーニングモデルに供給される機能空間に依存することがわかった。また、Amazon、Google、Microsoftから入手可能なAutomated Machine Learning (AutoML)パイプラインを評価し、適切にエンジニアリングされた機能を提供しない限り、この問題に対処できないことを示した。さらに、フーリエ級数基底ベクトル上の通常の線形回帰を用いて、問題の閉形式解を提案し、その成功を示した。最後に,chatgptを用いたプロンプトベースの学習を評価し,小素数での成功と,大素数で明らかな失敗を実証した。機能工学は、AutoMLや大規模言語モデル(LLM)の時代においても、パフォーマンスの向上、解釈可能性の向上、マシンラーニング/深層学習モデルの複雑さの低減に引き続き重要な課題である、と結論付けている。

関連論文リスト

InternLM-Math: Open Math Large Language Models Toward Verifiable Reasoning [98.53491178426492]
InternLM2から事前学習を継続するILMs InternLM-Mathをオープンソースとして公開する。我々は、連鎖推論、報酬モデリング、形式推論、データ拡張、コードインタプリタを、統一されたSeq2seqフォーマットで統一する。我々の事前学習モデルは、微調整なしでMiniF2Fテストセットで30.3を達成する。
論文参考訳（メタデータ） (2024-02-09T11:22:08Z)
In-Context Language Learning: Architectures and Algorithms [73.93205821154605]
我々は、文脈言語学習(ICLL)において、私たちが用語する新しいモデル問題群(英語版)のレンズを通してICLを研究する。我々は,通常のICLLタスクにおいて,多種多様なニューラルシーケンスモデルを評価する。
論文参考訳（メタデータ） (2024-01-23T18:59:21Z)
MISS: Multiclass Interpretable Scoring Systems [13.902264070785986]
MISS(Multiclass Interpretable Scoring Systems)構築のための機械学習手法を提案する。 MISSは、シングルクラス、スパース、ユーザフレンドリーなスコアリングシステムのための、完全なデータ駆動の方法論である。結果から,本手法は他の機械学習モデルと性能指標の分類において競合し,高い校正率のクラス確率が得られたことが示唆された。
論文参考訳（メタデータ） (2024-01-10T10:57:12Z)
Automated Sizing and Training of Efficient Deep Autoencoders using Second Order Algorithms [0.46040036610482665]
一般化線形分類器の多段階学習法を提案する。検証エラーは不要な入力のプルーニングによって最小化される。所望の出力は、Ho-Kashyapルールに似た方法で改善される。
論文参考訳（メタデータ） (2023-08-11T16:48:31Z)
Language models are weak learners [71.33837923104808]
本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
論文参考訳（メタデータ） (2023-06-25T02:39:19Z)
Class-Incremental Learning: A Survey [84.30083092434938]
CIL(Class-Incremental Learning)は、学習者が新しいクラスの知識を段階的に取り入れることを可能にする。 CILは、前者の特徴を壊滅的に忘れる傾向にあり、その性能は劇的に低下する。ベンチマーク画像分類タスクにおける17の手法の厳密で統一的な評価を行い、異なるアルゴリズムの特徴を明らかにする。
論文参考訳（メタデータ） (2023-02-07T17:59:05Z)
Winning solutions and post-challenge analyses of the ChaLearn AutoDL challenge 2019 [112.36155380260655]
本稿では,ChaLearnのAutoDLチャレンジシリーズの結果と今後の課題について述べる。その結果,一般的なニューラルネットワーク探索(NAS)は実用的ではなかったものの,DL手法が支配的であったことが示唆された。メタラーナー"、"データインジェクタ"、"モデルセレクタ"、"モデル/ラーナー"、"評価器"を特徴とする、ハイレベルなモジュール化組織が登場した。
論文参考訳（メタデータ） (2022-01-11T06:21:18Z)
Fast Yet Effective Machine Unlearning [6.884272840652062]
本稿では,誤り最大化雑音発生と不適切な反動に基づく重み操作を併用した新しい機械学習フレームワークを提案する。モデル全体の精度を著しく保ちながら、優れた未学習を示す。この作業は、ディープネットワークにおけるアンラーニングの迅速かつ簡単な実装に向けた重要なステップである。
論文参考訳（メタデータ） (2021-11-17T07:29:24Z)
LeanML: A Design Pattern To Slash Avoidable Wastes in Machine Learning Projects [0.5330240017302619]
機械学習プロジェクトへのリーン方法論の最初の応用を紹介します。我々は、リーン機械学習(LeanML)が、商用機械学習プロジェクトで回避可能な無駄を大幅に削減できると主張している。
論文参考訳（メタデータ） (2021-07-16T18:16:48Z)
Few-Shot Incremental Learning with Continually Evolved Classifiers [46.278573301326276]
Few-shot Class-Incremental Learning(FSCIL)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムの設計を目指している。難点は、新しいクラスからの限られたデータが、重大な過度な問題を引き起こすだけでなく、破滅的な忘れの問題も悪化させることにある。我々は,適応のための分類器間のコンテキスト情報を伝達するグラフモデルを用いた連続進化型cif(cec)を提案する。
論文参考訳（メタデータ） (2021-04-07T10:54:51Z)
AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。