Fugu-MT 論文翻訳(概要): Eliminating Unintended Stable Fixpoints for Hybrid Reasoning Systems

論文の概要: Eliminating Unintended Stable Fixpoints for Hybrid Reasoning Systems

arxiv url: http://arxiv.org/abs/2307.11286v1
Date: Fri, 21 Jul 2023 01:08:15 GMT
ステータス: 処理完了
システム内更新日: 2023-07-24 14:01:07.539595
Title: Eliminating Unintended Stable Fixpoints for Hybrid Reasoning Systems
Title（参考訳）: ハイブリッド推論システムのための意図しない安定固定点の除去
Authors: Spencer Killen, Jia-Huai You
Abstract要約: 本稿では,AFTに類似した手法を導入し,事前計算した上界を利用して意味をより正確に把握する手法を提案する。我々は、最先端の近似器を拡張することで、MKNF(最小限の知識と失敗を否定する)の知識ベースへのフレームワークの適用性を実証する。
参考スコア（独自算出の注目度）: 5.208405959764274
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A wide variety of nonmonotonic semantics can be expressed as approximators defined under AFT (Approximation Fixpoint Theory). Using traditional AFT theory, it is not possible to define approximators that rely on information computed in previous iterations of stable revision. However, this information is rich for semantics that incorporate classical negation into nonmonotonic reasoning. In this work, we introduce a methodology resembling AFT that can utilize priorly computed upper bounds to more precisely capture semantics. We demonstrate our framework's applicability to hybrid MKNF (minimal knowledge and negation as failure) knowledge bases by extending the state-of-the-art approximator.
Abstract（参考訳）: AFT(Approximation Fixpoint Theory)の下で定義された近似子として表すことができる。従来の AFT 理論では、以前の安定リビジョンの反復で計算された情報に依存する近似器を定義することはできない。しかし、この情報は古典否定を非単調な推論に組み込む意味論に豊富である。本稿では,事前計算された上界を利用して意味論をより正確に捉える aft に似た手法を提案する。我々は,最先端の近似器を拡張し,ハイブリッドmknf (minimal knowledge and negation as failure) 知識ベースへの適用性を示す。

関連論文リスト

A Canonicalization Perspective on Invariant and Equivariant Learning [54.44572887716977]
フレームの設計について,本質的で完全な視点を提供する正準化の視点を導入する。フレームと標準形式の間には固有の関係があることが示される。既存の手法よりも厳密な固有ベクトルのための新しいフレームを設計する。
論文参考訳（メタデータ） (2024-05-28T17:22:15Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-29T09:41:19Z)
When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
論文参考訳（メタデータ） (2023-07-06T04:13:57Z)
Approximate inference of marginals using the IBIA framework [0.0]
確率的グラフィカルモデル (PGM) における限界の厳密な推論は難解であることが知られている。本稿では,段階的ビルド・インファー・アポキシマト (IBIA) パラダイムに基づく限界推定のための新しいアルゴリズムを提案する。提案手法は,既存の変分法やサンプリング法よりも精度が良いか,あるいは同等である。
論文参考訳（メタデータ） (2023-06-01T04:24:21Z)
A Convergence Theory for Federated Average: Beyond Smoothness [28.074273047592065]
フェデレートラーニングにより、大量のエッジコンピューティングデバイスが、データ共有を併用せずにモデルを学習できるようになる。この設定における主要なアルゴリズムとして、ローカルデバイス上でGradient Descent(SGD)を並列に実行するFederated Average FedAvgが広く使用されている。本稿では,フェデレートラーニングに関する理論的収束研究について述べる。
論文参考訳（メタデータ） (2022-11-03T04:50:49Z)
MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
論文参考訳（メタデータ） (2022-09-26T12:04:49Z)
Alternating Fixpoint Operator for Hybrid MKNF Knowledge Bases as an Approximator of AFT [10.843231120912757]
我々は、KnorrらによるハイブリッドMKNF知識ベースのためのよく確立されたセマンティクスの研究が、事実、AFTの擬似近似であることを示した。これらの知識ベースに対する近似器の改良について,Knorr et al. の構成から定式化されたものよりも,最も安定した固定点が情報豊かであることを示す。この研究は AFT の拡張の上に構築され、誘導された製品ビラティキにおける一貫性と一貫性のないペアをサポートする。
論文参考訳（メタデータ） (2021-05-24T02:32:51Z)
Lower Bounds for Approximate Knowledge Compilation [7.538482310185135]
我々は、決定論的分解可能な否定正規形(d-DNNF)の回路に焦点をあてる。我々は近似の弱い近似と強い近似という2つの概念を定式化する。 D-DNNFによる近似値の低い値を示し,文献の正の結果を補完する。
論文参考訳（メタデータ） (2020-11-27T13:11:32Z)
Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文参考訳（メタデータ） (2020-11-05T08:04:34Z)

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。