Fugu-MT 論文翻訳(概要): Learning Formal Specifications from Membership and Preference Queries

論文の概要: Learning Formal Specifications from Membership and Preference Queries

arxiv url: http://arxiv.org/abs/2307.10434v1
Date: Wed, 19 Jul 2023 19:53:24 GMT
ステータス: 処理完了
システム内更新日: 2023-07-21 15:38:12.754774
Title: Learning Formal Specifications from Membership and Preference Queries
Title（参考訳）: 会員シップと選好クエリから正式な仕様を学ぶ
Authors: Ameesh Shah, Marcell Vazquez-Chanlatte, Sebastian Junges, Sanjit A. Seshia
Abstract要約: 本稿では,会員ラベルとペアワイズ選好の組み合わせを要求できる新しいフレームワークを提案する。ペアワイズ選好とメンバシップラベルの組み合わせにより、アクティブな仕様学習に対するより柔軟なアプローチが可能になる。
参考スコア（独自算出の注目度）: 7.892501185886568
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Active learning is a well-studied approach to learning formal specifications, such as automata. In this work, we extend active specification learning by proposing a novel framework that strategically requests a combination of membership labels and pair-wise preferences, a popular alternative to membership labels. The combination of pair-wise preferences and membership labels allows for a more flexible approach to active specification learning, which previously relied on membership labels only. We instantiate our framework in two different domains, demonstrating the generality of our approach. Our results suggest that learning from both modalities allows us to robustly and conveniently identify specifications via membership and preferences.
Abstract（参考訳）: アクティブラーニング(active learning)は、automattaのような形式的仕様を学ぶためのよく研究されたアプローチである。本研究では,メンバシップラベルとペアワイズ選択の組み合わせを戦略的に要求する新たなフレームワークを提案することで,アクティブ仕様学習を拡張した。ペア指向の選好とメンバシップラベルの組み合わせによって、アクティブな仕様学習へのより柔軟なアプローチが可能になる。フレームワークを2つの異なるドメインでインスタンス化し、アプローチの汎用性を実証します。その結果,両方のモダリティから学ぶことで,メンバシップや選好を通じて,堅牢かつ便利に仕様を識別できることが示唆された。

関連論文リスト

Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
論文参考訳（メタデータ） (2023-08-31T13:37:28Z)
Active metric learning and classification using similarity queries [21.589707834542338]
本稿では、キーコンポーネントが類似性を反映したデータの表現を学習している問題に対して、新しい統合クエリフレームワークを適用することができることを示す。提案手法の有効性を,アクティブなメトリック学習とアクティブな分類という2つの課題で実証する。
論文参考訳（メタデータ） (2022-02-04T03:34:29Z)
Factorized-FL: Agnostic Personalized Federated Learning with Kernel Factorization & Similarity Matching [70.95184015412798]
現実世界のフェデレートされた学習シナリオでは、参加者は他のクライアントのものと互換性のない、独自のパーソナライズされたラベルを持つことができる。本研究では,ラベル・タスク・ヘテロジニアス・フェデレーション・ラーニング・セッティングに効果的に取り組むためのFacterized-FLを提案する。本手法はラベルとドメインの不均一な設定の両方で広範に検証し、最先端の個人化フェデレーション学習法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-02-01T08:00:59Z)
Active Refinement for Multi-Label Learning: A Pseudo-Label Approach [84.52793080276048]
MLL(Multi-label Learning)は、あるインスタンスと関連するラベルを一連の概念から関連付けることを目的としている。 MLLの以前の研究は、主に概念セットが修正されると思われる設定に焦点を当てていた。多くの現実世界のアプリケーションは、新しい要求を満たすために新しい概念をセットに導入する必要がある。
論文参考訳（メタデータ） (2021-09-29T19:17:05Z)
Open-Set Representation Learning through Combinatorial Embedding [62.05670732352456]
ラベル付きクラスとラベルなしクラスの両方の例に基づく表現学習を通じて、データセットにおける新しい概念を識別することに興味がある。異種ラベル空間上の複数の教師付きメタクラス分類器によって与えられる構成知識を用いて、自然に未知のクラス内のサンプルをクラスタリングする学習手法を提案する。提案アルゴリズムは,未確認クラスの識別性の向上と,新しいクラスに一般化可能な既知のクラス表現の学習を併用して,新しい概念を探索する。
論文参考訳（メタデータ） (2021-06-29T11:51:57Z)
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)
Interaction Matching for Long-Tail Multi-Label Classification [57.262792333593644]
既存のマルチラベル分類モデルにおいて,制約に対処するためのエレガントで効果的なアプローチを提案する。ソフトなn-gram相互作用マッチングを実行することで、ラベルと自然言語記述をマッチングする。
論文参考訳（メタデータ） (2020-05-18T15:27:55Z)
Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
論文参考訳（メタデータ） (2020-05-09T16:02:52Z)
Active Learning for Entity Alignment [25.234850999782953]
エンティティアライメントのラベル付けが、クラスラベルを単一インスタンスに割り当てることとどのように異なるかを示す。主な発見の1つは、効率的な事前計算とデプロイが容易な受動的学習アプローチが、アクティブな学習戦略に匹敵するパフォーマンスを達成することである。
論文参考訳（メタデータ） (2020-01-24T10:33:08Z)

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。