論文の概要: Bayesian Inverse Contextual Reasoning for Heterogeneous Semantics-Native Communication

• arxiv url: http://arxiv.org/abs/2306.06403v1
• Date: Sat, 10 Jun 2023 10:10:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 19:02:32.557756
• Title: Bayesian Inverse Contextual Reasoning for Heterogeneous Semantics-Native Communication
• Title（参考訳）: 不均一意味論-ネイティブコミュニケーションのためのベイズ逆文脈推論
• Authors: Hyowoon Seo, Yoonseong Kang, Mehdi Bennis, Wan Choi
• Abstract要約: エージェントが同じコミュニケーションコンテキストを共有しない場合、文脈推論の有効性が損なわれる。 本稿では,2つのベイズ推論手法を用いて,SNCにおけるCRの逆問題を解決するための新しい枠組みを提案する。
• 参考スコア（独自算出の注目度）: 47.9462619619438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work deals with the heterogeneous semantic-native communication (SNC) problem. When agents do not share the same communication context, the effectiveness of contextual reasoning (CR) is compromised calling for agents to infer other agents' context. This article proposes a novel framework for solving the inverse problem of CR in SNC using two Bayesian inference methods, namely: Bayesian inverse CR (iCR) and Bayesian inverse linearized CR (iLCR). The first proposed Bayesian iCR method utilizes Markov Chain Monte Carlo (MCMC) sampling to infer the agent's context while being computationally expensive. To address this issue, a Bayesian iLCR method is leveraged which obtains a linearized CR (LCR) model by training a linear neural network. Experimental results show that the Bayesian iLCR method requires less computation and achieves higher inference accuracy compared to Bayesian iCR. Additionally, heterogeneous SNC based on the context obtained through the Bayesian iLCR method shows better communication effectiveness than that of Bayesian iCR. Overall, this work provides valuable insights and methods to improve the effectiveness of SNC in situations where agents have different contexts.
• Abstract（参考訳）: この研究は異種意味通信(SNC)問題を扱う。 エージェントが同じコミュニケーションコンテキストを共有しない場合、他のエージェントのコンテキストを推測するエージェントを呼び出すコンテキスト推論(CR)の有効性が妥協される。 本稿では,2つのベイジアン推論手法,すなわちベイジアン逆CR(iCR)とベイジアン逆線形化CR(iLCR)を用いて,SNCにおけるCRの逆問題の解法を提案する。 最初の提案手法はマルコフ連鎖モンテカルロ(mcmc)サンプリングを用いて、計算コストの高いエージェントのコンテキストを推定する。 この問題に対処するために、線形ニューラルネットワークをトレーニングして線形化CR(LCR)モデルを得るベイズiLCR法を用いる。 実験の結果,ベイジアンiLCR法は計算量が少なく,ベイジアンiLCRに比べて推論精度が高いことがわかった。 さらに、ベイジアンiLCR法により得られた文脈に基づく異種SNCは、ベイジアンiLCR法よりも良好な通信効率を示す。 全体として、エージェントが異なる状況において、SNCの有効性を改善するための貴重な洞察と方法を提供する。

関連論文リスト

• Fast Context-Biasing for CTC and Transducer ASR models with CTC-based Word Spotter [57.64003871384959]
  この研究は、CTCベースのWord Spotterでコンテキストバイアスを高速化するための新しいアプローチを示す。 提案手法は,CTCログ確率をコンパクトなコンテキストグラフと比較し,潜在的なコンテキストバイアス候補を検出する。 その結果、FスコアとWERの同時改善により、文脈バイアス認識の大幅な高速化が示された。
  論文  参考訳（メタデータ） (2024-06-11T09:37:52Z)
• Crossmodal ASR Error Correction with Discrete Speech Units [16.58209270191005]
  ASR誤り訂正(AEC)に対するASR後処理手法を提案する。 我々は、事前学習と微調整の戦略を探求し、ASRドメインの不一致現象を明らかにする。 そこで本稿では,AEC品質向上のための単語埋め込みの整合・強化を目的とした,離散音声ユニットの組込みを提案する。
  論文  参考訳（メタデータ） (2024-05-26T19:58:38Z)
• A Rationale-centric Counterfactual Data Augmentation Method for Cross-Document Event Coreference Resolution [29.34028569245905]
  構造因果モデル(SCM)を用いたベースラインECRシステムの意思決定過程を定式化する。 LLM-in-the-loop を用いた有理中心の反実データ拡張法を開発した。 提案手法は,3つのクロスドキュメント ECR ベンチマークの最先端性能を実現し,ドメイン外シナリオの堅牢性を実証する。
  論文  参考訳（メタデータ） (2024-04-02T13:15:07Z)
• Cross-modal Active Complementary Learning with Self-refining Correspondence [54.61307946222386]
  既存手法のロバスト性を改善するために,クロスモーダルなロバスト補完学習フレームワーク(CRCL)を提案する。 ACLは、誤った監視を行うリスクを減らすために、アクティブで補完的な学習損失を利用する。 SCCは、モーメント補正を備えた複数の自己精製プロセスを使用して、対応を補正するために受容場を拡大する。
  論文  参考訳（メタデータ） (2023-10-26T15:15:11Z)
• Negotiated Reasoning: On Provably Addressing Relative Over-Generalization [49.5896371203566]
  過度に一般化することは認知科学における厄介な問題であり、人々は過去の経験のために過度に慎重になる可能性がある。 マルチエージェント強化学習(MARL)のエージェントも、人々が行うように相対的な過剰一般化(RO)に悩まされ、準最適協力に固執している。 近年, エージェントに対する推論能力の割り当てはアルゴリズム的にも経験的にもROを緩和できることが示されたが, ROの理論的理解は乏しい。
  論文  参考訳（メタデータ） (2023-06-08T16:57:12Z)
• False Correlation Reduction for Offline Reinforcement Learning [115.11954432080749]
  本稿では,実効的かつ理論的に証明可能なアルゴリズムであるオフラインRLに対するfalSe Correlation Reduction (SCORE)を提案する。 SCOREは、標準ベンチマーク(D4RL)において、様々なタスクにおいて3.1倍の高速化でSoTA性能を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2021-10-24T15:34:03Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)

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。