論文の概要: Representation Synthesis by Probabilistic Many-Valued Logic Operation in Self-Supervised Learning

• arxiv url: http://arxiv.org/abs/2309.04148v1
• Date: Fri, 8 Sep 2023 06:24:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-11 15:55:41.199098
• Title: Representation Synthesis by Probabilistic Many-Valued Logic Operation in Self-Supervised Learning
• Title（参考訳）: 自己教師付き学習における確率的多値論理演算による表現合成
• Authors: Hiroki Nakamura, Masashi Okada, Tadahiro Taniguchi
• Abstract要約: 混合画像を用いた自己教師あり学習(SSL)は,様々な画像表現を学習するために研究されている。 混合画像を用いた新しいSSLと,多値論理に基づく新しい表現形式を提案する。
• 参考スコア（独自算出の注目度）: 10.49712834719005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised learning (SSL) using mixed images has been studied to learn various image representations. Existing methods using mixed images learn a representation by maximizing the similarity between the representation of the mixed image and the synthesized representation of the original images. However, few methods consider the synthesis of representations from the perspective of mathematical logic. In this study, we focused on a synthesis method of representations. We proposed a new SSL with mixed images and a new representation format based on many-valued logic. This format can indicate the feature-possession degree, that is, how much of each image feature is possessed by a representation. This representation format and representation synthesis by logic operation realize that the synthesized representation preserves the remarkable characteristics of the original representations. Our method performed competitively with previous representation synthesis methods for image classification tasks. We also examined the relationship between the feature-possession degree and the number of classes of images in the multilabel image classification dataset to verify that the intended learning was achieved. In addition, we discussed image retrieval, which is an application of our proposed representation format using many-valued logic.
• Abstract（参考訳）: 混合画像を用いた自己教師あり学習(SSL)は,様々な画像表現を学習するために研究されている。 混合画像を用いた既存の方法は、混合画像の表現と原画像の合成表現との類似性を最大化して表現を学習する。 しかし、数理論理の観点から表現の合成を考える方法はほとんどない。 本研究では,表現の合成法に着目した。 混合画像と多値論理に基づく新しい表現形式を備えた新しいSSLを提案する。 このフォーマットは、各画像機能のどの程度が表現によって所有されているかを示すことができる。 この表現形式と論理演算による表現合成により、合成された表現が元の表現の顕著な特性を保存できる。 本手法は,画像分類タスクの従来の表現合成手法と競合する。 また,多ラベル画像分類データセットにおける特徴量と画像のクラス数との関係について検討し,目的とする学習が達成されたことを検証した。 また,多値論理を用いた表現形式の適用例である画像検索についても検討した。

関連論文リスト

• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• Labeling Neural Representations with Inverse Recognition [25.867702786273586]
  Inverse Recognition (INVERT)は、学習した表現と人間の理解可能な概念を結びつけるためのスケーラブルなアプローチである。 以前の研究とは対照的に、INVERTは多様な種類のニューロンを処理でき、計算の複雑さが小さく、セグメンテーションマスクの可用性に依存しない。 本稿では,様々なシナリオにおけるINVERTの適用性を示す。
  論文  参考訳（メタデータ） (2023-11-22T18:55:25Z)
• Language Models can be Logical Solvers [99.40649402395725]
  論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2023-11-10T16:23:50Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• Evaluating Step-by-Step Reasoning through Symbolic Verification [20.156768135017007]
  事前学習言語モデル(LM)は、文脈内学習において顕著な推論性能を示した。 LMLPは、より小さなモデルサイズであっても、長さの一般化ベンチマークにおいて、チェーン・オブ・ソート(CoT)よりも25%以上精度が高い。
  論文  参考訳（メタデータ） (2022-12-16T19:30:01Z)
• OPERA:Operation-Pivoted Discrete Reasoning over Text [33.36388276371693]
  OPERA(オペラ)は、機械読解のための操作駆動型離散推論フレームワークである。 推論能力と解釈可能性を促進するために、軽量なシンボル操作をニューラルモジュールとして使用する。 DROPとRACENumのデータセットの実験は、OPERAの推論能力を示している。
  論文  参考訳（メタデータ） (2022-04-29T15:41:47Z)
• SimSR: Simple Distance-based State Representation for Deep Reinforcement Learning [14.626797887000901]
  本研究は, 深部強化学習手法を用いた画像ベース観測から, 頑健で一般化可能な状態表現の学習方法について検討する。 SimSR(Simple State Representation, SimSR)演算子を設計し, 実測値との比較により, 近似順序で同等の機能を実現する。 我々のモデルは一般により良い性能を達成し、より良い堅牢性と優れた一般化を持つ。
  論文  参考訳（メタデータ） (2021-12-31T04:39:54Z)
• Unifying AI Algorithms with Probabilistic Programming using Implicitly Defined Representations [0.2580765958706854]
  Scruffは確率的プログラミングを使ってAIシステムを開発するための新しいフレームワークである。 選択可能なコード、ニューラルネットワーク、微分方程式、制約システムなど、さまざまな表現を含めることができる。 私たちは、比較的小さな操作セットが、さまざまなAIアルゴリズムを統合するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2021-10-05T19:49:30Z)
• How Fine-Tuning Allows for Effective Meta-Learning [50.17896588738377]
  MAMLライクなアルゴリズムから派生した表現を解析するための理論的フレームワークを提案する。 我々は,勾配降下による微調整により得られる最良予測器のリスク境界を提示し,アルゴリズムが共有構造を有効活用できることを実証する。 この分離の結果、マイニングベースのメソッド、例えばmamlは、少数ショット学習における"frozen representation"目標を持つメソッドよりも優れている。
  論文  参考訳（メタデータ） (2021-05-05T17:56:00Z)
• Conditional Meta-Learning of Linear Representations [57.90025697492041]
  表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。 本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。 この利点を実用的に活用できるメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-30T12:02:14Z)
• Model-free Representation Learning and Exploration in Low-rank MDPs [64.72023662543363]
  低位mdpに対して,最初のモデルフリー表現学習アルゴリズムを提案する。 主要なアルゴリズムの貢献は新しいミニマックス表現の学習の目的です。 結果は複雑な環境にスケールする一般的な関数近似を収容できます。
  論文  参考訳（メタデータ） (2021-02-14T00:06:54Z)

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。