論文の概要: Introduction and Assessment of the Addition of Links and Containers to
the Blackboard Architecture
- arxiv url: http://arxiv.org/abs/2306.04289v1
- Date: Wed, 7 Jun 2023 09:41:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 15:19:53.120763
- Title: Introduction and Assessment of the Addition of Links and Containers to
the Blackboard Architecture
- Title(参考訳): blackboardアーキテクチャへのリンクとコンテナの追加に関する導入と評価
- Authors: Jordan Milbrath, Jeremy Straub
- Abstract要約: 本稿では,ブラックボードアーキテクチャにコンテナとリンクを含めることを提案し,評価する。
これらのオブジェクトは、組織、物理的、空間的、その他の関係をモデル化できるように設計されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Blackboard Architecture provides a mechanism for storing data and logic
and using it to make decisions that impact the application environment that the
Blackboard Architecture network models. While rule-fact-action networks can
represent numerous types of data, the relationships that can be easily modeled
are limited by the propositional logic nature of the rule-fact network
structure. This paper proposes and evaluates the inclusion of containers and
links in the Blackboard Architecture. These objects are designed to allow them
to model organizational, physical, spatial and other relationships that cannot
be readily or efficiently implemented as Boolean logic rules. Containers group
related facts together and can be nested to implement complex relationships.
Links interconnect containers that have a relationship that is relevant to
their organizational purpose. Both objects, together, facilitate new ways of
using the Blackboard Architecture and enable or simply its use for complex
tasks that have multiple types of relationships that need to be considered
during operations.
- Abstract(参考訳): Blackboard Architectureは、データとロジックを保存し、Blackboard Architectureのネットワークモデルであるアプリケーション環境に影響を与える決定を行うためのメカニズムを提供する。
ルールファクト・アクション・ネットワークは多くの種類のデータを表現できるが、簡単にモデル化できる関係はルールファクト・ネットワーク構造の命題論理の性質によって制限される。
本稿では,ブラックボードアーキテクチャにおけるコンテナとリンクの包含を提案,評価する。
これらのオブジェクトは、ブール論理ルールとして容易に、あるいは効率的に実装できない組織的、物理的、空間的、その他の関係をモデル化できるように設計されています。
コンテナは関連する事実をグループ化し、複雑な関係を実装するためにネストすることができる。
リンクは、組織的目的に関連する関係を持つコンテナを相互接続する。
両方のオブジェクトは共に、ブラックボードアーキテクチャの新たな使い方を促進し、操作中に考慮すべき複数のタイプの関係を持つ複雑なタスクを有効または単純に使用します。
関連論文リスト
- Serving Deep Learning Model in Relational Databases [72.72372281808694]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL-Centricアーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF-Centricアーキテクチャは、データベースシステム内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
potentialRelation-Centricアーキテクチャは、演算子による大規模テンソル計算を表現することを目的としている。
論文 参考訳(メタデータ) (2023-10-07T06:01:35Z) - Learning Hierarchical Relational Representations through Relational
Convolutions [2.99146123420045]
我々は「関係畳み込みネットワーク」と呼ぶアーキテクチャフレームワークを提案する。
グラフレットフィルタが入力のパッチにマッチする関係畳み込み演算を形式化する。
また、下流タスクに関連するオブジェクトのグルーピングを明示的に学習するためのメカニズムも提案する。
論文 参考訳(メタデータ) (2023-10-05T01:22:50Z) - Extension of the Blackboard Architecture with Common Properties and
Generic Rules [0.76146285961466]
Blackboard Architectureは、データ、意思決定、アクティベーションを具現化するメカニズムを提供する。
組織、空間、その他の関係を直接モデル化する能力がない。
本稿では,共通プロパティと汎用ルールという,ブラックボードアーキテクチャに追加する2つの概念を提示し,評価する。
論文 参考訳(メタデータ) (2023-06-07T09:40:13Z) - Enterprise Model Library for Business-IT-Alignment [0.0]
この作業は、再利用の関数を持つモデルのためのリポジトリの参照アーキテクチャである。
これには、ファイリング用のデータ構造の設計、管理のためのプロセス、使用可能性が含まれる。
論文 参考訳(メタデータ) (2022-11-21T11:36:54Z) - Policy Architectures for Compositional Generalization in Control [71.61675703776628]
本稿では,タスクにおけるエンティティベースの構成構造をモデル化するためのフレームワークを提案する。
私たちのポリシーは柔軟で、アクションプリミティブを必要とせずにエンドツーエンドでトレーニングできます。
論文 参考訳(メタデータ) (2022-03-10T06:44:24Z) - Learning to Compose Visual Relations [100.45138490076866]
我々は,各関係を非正規化密度(エネルギーベースモデル)として表現することを提案する。
このような分解を分解することで、複数の関係を持つシーンをより忠実に生成・編集できることを示す。
論文 参考訳(メタデータ) (2021-11-17T18:51:29Z) - CateCom: a practical data-centric approach to categorization of
computational models [77.34726150561087]
本稿では,物理モデルとデータ駆動型計算モデルのランドスケープを整理する取り組みについて述べる。
オブジェクト指向設計の概念を適用し、オープンソース協調フレームワークの基礎を概説する。
論文 参考訳(メタデータ) (2021-09-28T02:59:40Z) - Neural Production Systems [90.75211413357577]
視覚環境は、異なるオブジェクトまたはエンティティから構成される。
イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。
私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。
このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
論文 参考訳(メタデータ) (2021-03-02T18:53:20Z) - Coordination Among Neural Modules Through a Shared Global Workspace [78.08062292790109]
認知科学において、機能的に特殊なコンポーネントが情報を共有するグローバルなワークスペースアーキテクチャが提案されている。
キャパシティ制限は、特殊化と構成性を奨励する合理的な基礎を持つことを示す。
論文 参考訳(メタデータ) (2021-03-01T18:43:48Z) - Towards a Flexible Embedding Learning Framework [15.604564543883122]
本稿では,学習表現に組み込むことができる関係性の観点から柔軟な埋め込み学習フレームワークを提案する。
サンプリング機構は、入力と出力埋め込みによって捕捉された情報との直接接続を確立するために慎重に設計される。
実験の結果,提案するフレームワークは,関連エンティティ・リレーショナル・マトリクスのセットと合わせて,様々なデータマイニングタスクにおける既存の最先端アプローチよりも優れていることが示された。
論文 参考訳(メタデータ) (2020-09-23T08:00:56Z) - TURL: Table Understanding through Representation Learning [29.6016859927782]
TURLは、リレーショナルWebテーブルに事前トレーニング/ファインタニングパラダイムを導入する新しいフレームワークである。
事前学習中、我々のフレームワークは教師なしの方法で関係表上の深い文脈化された表現を学習する。
我々は,TURLがすべてのタスクを一般化し,既存のメソッドをほぼすべてのインスタンスで大幅に上回っていることを示す。
論文 参考訳(メタデータ) (2020-06-26T05:44:54Z)
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。