Fugu-MT 論文翻訳(概要): A Unified Model and Dimension for Interactive Estimation

論文の概要: A Unified Model and Dimension for Interactive Estimation

arxiv url: http://arxiv.org/abs/2306.06184v1
Date: Fri, 9 Jun 2023 18:21:04 GMT
ステータス: 処理完了
システム内更新日: 2023-06-13 20:41:20.922190
Title: A Unified Model and Dimension for Interactive Estimation
Title（参考訳）: 対話的推定のための統一モデルと次元
Authors: Nataly Brukhim, Miroslav Dudik, Aldo Pacchiano, Robert Schapire
Abstract要約: モデルにおける学習可能性を大きく捉えた異種性次元(dissimilarity dimension)という尺度を導入する。このフレームワークは,統計的クエリ学習と構造化帯域幅の2つの古典的学習モデルを仮定し,統一することを示す。
参考スコア（独自算出の注目度）: 20.39351301232109
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study an abstract framework for interactive learning called interactive estimation in which the goal is to estimate a target from its "similarity'' to points queried by the learner. We introduce a combinatorial measure called dissimilarity dimension which largely captures learnability in our model. We present a simple, general, and broadly-applicable algorithm, for which we obtain both regret and PAC generalization bounds that are polynomial in the new dimension. We show that our framework subsumes and thereby unifies two classic learning models: statistical-query learning and structured bandits. We also delineate how the dissimilarity dimension is related to well-known parameters for both frameworks, in some cases yielding significantly improved analyses.
Abstract（参考訳）: 本研究では,対話的推定と呼ばれる対話的学習のための抽象フレームワークについて検討し,対象を「類似性」から学習者の問合せ点へ推定することを目的とした。我々は,モデルにおける学習可能性のほとんどを捉えた不類似性次元と呼ばれる組合せ測度を導入する。我々は,新しい次元の多項式である後悔とPAC一般化境界の両方を得る,単純で一般かつ広く適用可能なアルゴリズムを提案する。このフレームワークは,統計的クエリ学習と構造化バンディットの2つの古典的学習モデルを仮定し,統一することを示す。また、両フレームワークの相似性次元がよく知られたパラメータとどのように関連しているかを述べる。

関連論文リスト

Modern Neighborhood Components Analysis: A Deep Tabular Baseline Two Decades Later [59.88557193062348]
我々は、インスタンス間のセマンティックな類似性をキャプチャする線形射影を学習するために設計された古典的近傍成分分析(NCA)を再考する。学習目的の調整や深層学習アーキテクチャの統合といった微調整は,NAAの性能を著しく向上させることがわかった。また,提案したModernNCAの効率性と予測精度を向上する,近隣のサンプリング戦略も導入する。
論文参考訳（メタデータ） (2024-07-03T16:38:57Z)
Multi-Dimensional Optimization for Text Summarization via Reinforcement Learning [12.083649916114402]
本研究では,4次元にまたがるバランスの取れた要約を生成するために,多目的強化学習を提案する。従来のROUGEベースの報酬が参照サマリーに依存しているのとは違って、QAベースの報酬モデルが人間の好みに合わせている。提案手法は, 代表的な要約データセットのベースラインモデルと比較して, かなりの性能向上を達成した。
論文参考訳（メタデータ） (2024-06-01T05:15:12Z)
Syntax-Informed Interactive Model for Comprehensive Aspect-Based Sentiment Analysis [0.0]
総合ABSAのためのシンタクティック・依存性強化マルチタスクインタラクション・アーキテクチャ(SDEMTIA)を提案する。我々のアプローチは、SDEIN(Syntactic Dependency Embedded Interactive Network)を用いた構文知識(依存関係と型)を革新的に活用する。また,学習効率を高めるために,マルチタスク学習フレームワークに,新規で効率的なメッセージパッシング機構を組み込んだ。
論文参考訳（メタデータ） (2023-11-28T16:03:22Z)
Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
論文参考訳（メタデータ） (2023-02-23T00:43:03Z)
Symphony in the Latent Space: Provably Integrating High-dimensional Techniques with Non-linear Machine Learning Models [19.824998167546298]
本稿では,エンティティ間のインタラクションを含む機械学習アルゴリズムの構築について検討する。本研究では,高次元相互作用の学習を非線形特徴相互作用の学習から切り離すことが可能であることを示す。
論文参考訳（メタデータ） (2022-12-01T20:18:26Z)
A General Framework for Sample-Efficient Function Approximation in Reinforcement Learning [132.45959478064736]
モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-30T17:59:16Z)
Unified Algorithms for RL with Decision-Estimation Coefficients: PAC, Reward-Free, Preference-Based Learning, and Beyond [28.118197762236953]
我々は,大規模な学習目標のための統一的なアルゴリズムフレームワークを開発する。我々のフレームワークは、非回帰RL、PAC RL、報酬なし学習、モデル推定、嗜好に基づく学習など、多くの学習目標を処理する。応用として、一般化されたDECを有界化するための自然な十分条件として「分解可能表現」を提案する。
論文参考訳（メタデータ） (2022-09-23T17:47:24Z)
Federated Learning Aggregation: New Robust Algorithms with Guarantees [63.96013144017572]
エッジでの分散モデルトレーニングのために、フェデレートラーニングが最近提案されている。本稿では,連合学習フレームワークにおける集約戦略を評価するために,完全な数学的収束解析を提案する。損失の値に応じてクライアントのコントリビューションを差別化することで、モデルアーキテクチャを変更できる新しい集約アルゴリズムを導出する。
論文参考訳（メタデータ） (2022-05-22T16:37:53Z)
Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文参考訳（メタデータ） (2021-08-23T09:31:18Z)
Dialogue Response Selection with Hierarchical Curriculum Learning [52.3318584971562]
対話応答選択のためのマッチングモデルの学習について検討する。近年,ランダムなネガティブは信頼度の高いモデルを学習するには自明すぎることが判明し,階層的なカリキュラム学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-12-29T14:06:41Z)

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。