論文の概要: Graph Enabled Cross-Domain Knowledge Transfer
- arxiv url: http://arxiv.org/abs/2304.03452v2
- Date: Sat, 8 Jul 2023 13:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 22:05:29.498900
- Title: Graph Enabled Cross-Domain Knowledge Transfer
- Title（参考訳）: グラフによるドメイン間知識伝達
- Authors: Shibo Yao
- Abstract要約: クロスドメイン・ナレッジ・トランスファー(クロスドメイン・ナレッジ・トランスファー)は、優れた表現学習と関心領域における知識不足のギャップを軽減するためのアプローチである。
機械学習の観点からは、半教師付き学習のパラダイムは、基礎的な真実なしに大量のデータを活用し、目覚ましい学習性能向上を実現する。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To leverage machine learning in any decision-making process, one must convert
the given knowledge (for example, natural language, unstructured text) into
representation vectors that can be understood and processed by machine learning
model in their compatible language and data format. The frequently encountered
difficulty is, however, the given knowledge is not rich or reliable enough in
the first place. In such cases, one seeks to fuse side information from a
separate domain to mitigate the gap between good representation learning and
the scarce knowledge in the domain of interest. This approach is named
Cross-Domain Knowledge Transfer. It is crucial to study the problem because of
the commonality of scarce knowledge in many scenarios, from online healthcare
platform analyses to financial market risk quantification, leaving an obstacle
in front of us benefiting from automated decision making. From the machine
learning perspective, the paradigm of semi-supervised learning takes advantage
of large amount of data without ground truth and achieves impressive learning
performance improvement. It is adopted in this dissertation for cross-domain
knowledge transfer. (to be continued)
- Abstract（参考訳）: 機械学習を意思決定プロセスで活用するには、与えられた知識(自然言語、非構造化テキストなど)を、互換性のある言語とデータフォーマットで機械学習モデルによって理解され、処理可能な表現ベクトルに変換する必要がある。
しかし、しばしば遭遇する困難は、与えられた知識がそもそも十分に豊かで信頼性がないことである。
そのような場合、優れた表現学習と関心領域における知識不足のギャップを軽減するために、別の領域からの側面情報を融合させようとする。
このアプローチはクロスドメインな知識伝達と呼ばれる。
オンラインヘルスケアプラットフォーム分析から金融市場のリスク定量化に至るまで、多くのシナリオにおける知識不足の共通性から、この問題を研究することが重要です。
機械学習の観点からは、半教師付き学習のパラダイムは、基礎的な真実なしに大量のデータを活用し、目覚ましい学習性能向上を実現する。
この論文はクロスドメイン知識の転送に採用されている。
(継続)
関連論文リスト
- Knowledge Transfer for Cross-Domain Reinforcement Learning: A Systematic Review [2.94944680995069]
強化学習(RL)は、複雑な意思決定問題を解決するために、試行錯誤を通じてエージェントを訓練できるフレームワークを提供する。
異なるタスクから知識を再利用することにより、知識伝達手法はRLのトレーニング時間を短縮する代替手段を提供する。
本稿では,異なる領域間で知識を伝達することに焦点を当てた手法の統一分析を行う。
論文 参考訳（メタデータ） (2024-04-26T20:36:58Z) - Private Knowledge Sharing in Distributed Learning: A Survey [50.51431815732716]
人工知能の台頭は多くの産業に革命をもたらし、社会の働き方を変えた。
異なるエンティティが分散または所有する学習プロセスにおいて、情報を活用することが不可欠である。
現代のデータ駆動サービスは、分散知識エンティティを結果に統合するために開発されています。
論文 参考訳（メタデータ） (2024-02-08T07:18:23Z) - Pathway toward prior knowledge-integrated machine learning in
engineering [1.3091722164946331]
本研究は,複数の専門分野の専門職を機械で認識可能なデータ駆動プロセスに統合する取り組みを強調する。
このアプローチは、エンジニアリング領域におけるホリストと還元主義の視点のバランスを取る。
論文 参考訳（メタデータ） (2023-07-10T13:06:55Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳（メタデータ） (2023-06-14T13:07:48Z) - Informed Learning by Wide Neural Networks: Convergence, Generalization
and Sampling Complexity [27.84415856657607]
ドメイン知識が情報学習のパフォーマンスにどのような影響を及ぼすか、なぜ研究する。
本稿では,知識の利点をうまく活用し,ラベルと知識の不完全性のバランスをとるための,汎用的な情報教育目標を提案する。
論文 参考訳（メタデータ） (2022-07-02T06:28:25Z) - Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。
本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。
我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文 参考訳（メタデータ） (2022-01-15T15:03:17Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳（メタデータ） (2020-12-21T15:07:19Z) - A Quantitative Perspective on Values of Domain Knowledge for Machine
Learning [27.84415856657607]
様々な形式のドメイン知識は、学習性能を向上させる上で重要な役割を担っている。
本研究では,ドメイン知識の価値を学習性能への貢献の観点から定量化する問題について検討する。
論文 参考訳（メタデータ） (2020-11-17T06:12:23Z) - What is being transferred in transfer learning? [51.6991244438545]
事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。
事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
論文 参考訳（メタデータ） (2020-08-26T17:23:40Z) - Domain Adaption for Knowledge Tracing [65.86619804954283]
本稿では,DAKT問題に対処するための新しい適応型フレームワーク,すなわち知識追跡(AKT)を提案する。
まず,Deep Knowledge Trace(DKT)に基づく教育的特徴(スリップ,推測,質問文など)を取り入れ,優れた知識追跡モデルを得る。
第2の側面として、3つのドメイン適応プロセスを提案し、採用する。まず、ターゲットモデルトレーニングに有用なソースインスタンスを選択するために、自動エンコーダを事前訓練する。
論文 参考訳（メタデータ） (2020-01-14T15:04:48Z)
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。