論文の概要: Getting aligned on representational alignment

• arxiv url: http://arxiv.org/abs/2310.13018v3
• Date: Tue, 26 Nov 2024 10:31:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:33:31.660186
• Title: Getting aligned on representational alignment
• Title（参考訳）: 表現的アライメントに整列すること
• Authors: Ilia Sucholutsky, Lukas Muttenthaler, Adrian Weller, Andi Peng, Andreea Bobu, Been Kim, Bradley C. Love, Christopher J. Cueva, Erin Grant, Iris Groen, Jascha Achterberg, Joshua B. Tenenbaum, Katherine M. Collins, Katherine L. Hermann, Kerem Oktar, Klaus Greff, Martin N. Hebart, Nathan Cloos, Nikolaus Kriegeskorte, Nori Jacoby, Qiuyi Zhang, Raja Marjieh, Robert Geirhos, Sherol Chen, Simon Kornblith, Sunayana Rane, Talia Konkle, Thomas P. O'Connell, Thomas Unterthiner, Andrew K. Lampinen, Klaus-Robert Müller, Mariya Toneva, Thomas L. Griffiths,
• Abstract要約: 本研究では,認知科学,神経科学,機械学習における表現的アライメントの研究を行う。 重複する関心にもかかわらず、これらの分野の間には知識の伝達が限られている。 本稿では,表現アライメント研究のための共通言語として機能する統一フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 93.08284685325674
• License:
• Abstract: Biological and artificial information processing systems form representations of the world that they can use to categorize, reason, plan, navigate, and make decisions. How can we measure the similarity between the representations formed by these diverse systems? Do similarities in representations then translate into similar behavior? If so, then how can a system's representations be modified to better match those of another system? These questions pertaining to the study of representational alignment are at the heart of some of the most promising research areas in contemporary cognitive science, neuroscience, and machine learning. In this Perspective, we survey the exciting recent developments in representational alignment research in the fields of cognitive science, neuroscience, and machine learning. Despite their overlapping interests, there is limited knowledge transfer between these fields, so work in one field ends up duplicated in another, and useful innovations are not shared effectively. To improve communication, we propose a unifying framework that can serve as a common language for research on representational alignment, and map several streams of existing work across fields within our framework. We also lay out open problems in representational alignment where progress can benefit all three of these fields. We hope that this paper will catalyze cross-disciplinary collaboration and accelerate progress for all communities studying and developing information processing systems.
• Abstract（参考訳）: 生物学的および人工的な情報処理システムは、彼らが分類、推論、計画、ナビゲート、意思決定に使用できる世界の表現を形成する。 これらの多様なシステムによって形成される表現の類似性をどのように測定するか。 表現における類似性は、その後、類似した振る舞いに変換されるか? もしそうなら、システムの表現をどのように変更して他のシステムの表現にマッチさせることができるだろうか? 表現的アライメントの研究に関連するこれらの疑問は、現代の認知科学、神経科学、機械学習において最も有望な研究領域の中心にある。 本稿では,認知科学,神経科学,機械学習の分野における表現アライメント研究のエキサイティングな展開について調査する。 重複する関心にもかかわらず、これらの分野間の知識伝達は限られており、ある分野における作業は最終的に別の分野に複製され、有用なイノベーションは効果的に共有されない。 コミュニケーションを改善するために,表現アライメントの研究のための共通言語として機能する統一フレームワークを提案し,フレームワーク内のフィールドにまたがる既存の作業の流れをマッピングする。 また、これらの3つの分野の全てに進歩が利益をもたらすような表現的アライメントにおいて、オープンな問題を提起する。 本論文は,情報処理システムの研究・開発を行うすべてのコミュニティにおいて,学際的なコラボレーションの促進と進展を促進することを願っている。

関連論文リスト

• Fairness and Bias Mitigation in Computer Vision: A Survey [61.01658257223365]
  コンピュータビジョンシステムは、高精細な現実世界のアプリケーションにますますデプロイされている。 歴史的または人為的なデータにおいて差別的な傾向を伝播または増幅しないことを確実にする必要がある。 本稿では,コンピュータビジョンの文脈における現在進行中の傾向と成功をまとめた,公平性に関する総合的な調査を行う。
  論文  参考訳（メタデータ） (2024-08-05T13:44:22Z)
• Information Systems and Software Engineering: The Case for Convergence [1.14219428942199]
  情報システム(IS)とソフトウェア工学(SE)の分野は、その歴史的進化において、非常に多くの類似点を共有しています。 両分野の主刊誌における10年間 (2001-2010) の出版物の分析から, 研究課題の重複が顕著である。 この記事では、そのような相互作用を奨励し、これがデザインの領域でどのように役立つかを説明します。
  論文  参考訳（メタデータ） (2024-02-06T17:55:42Z)
• Empathy Detection from Text, Audiovisual, Audio or Physiological Signals: Task Formulations and Machine Learning Methods [5.7306786636466995]
  共感の検出は、社会、医療、教育に潜在的な応用がある。 広範かつ重複するトピックであるにもかかわらず、機械学習を利用した共感検出の道はいまだに探索されていない。 我々は、Affective Computingベースの共感領域における課題、研究ギャップ、潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2023-10-30T08:34:12Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• Vision+X: A Survey on Multimodal Learning in the Light of Data [64.03266872103835]
  様々なソースからのデータを組み込んだマルチモーダル機械学習が,ますます普及している研究分野となっている。 我々は、視覚、音声、テキスト、動きなど、各データフォーマットの共通点と特異点を分析する。 本稿では,表現学習と下流アプリケーションレベルの両方から,マルチモーダル学習に関する既存の文献を考察する。
  論文  参考訳（メタデータ） (2022-10-05T13:14:57Z)
• Empathetic Conversational Systems: A Review of Current Advances, Gaps, and Opportunities [2.741266294612776]
  多くの研究が共感の利点を認識し、共感を会話システムに取り入れ始めた。 本稿では,5つのレビュー次元を用いて,急速に成長するこの分野について検討する。
  論文  参考訳（メタデータ） (2022-05-09T05:19:48Z)
• Neural Fields in Visual Computing and Beyond [54.950885364735804]
  機械学習の最近の進歩は、座標ベースニューラルネットワークを用いた視覚コンピューティング問題の解決への関心が高まっている。 ニューラルネットワークは、3D形状と画像の合成、人体のアニメーション、3D再構成、ポーズ推定に成功している。 本報告は、文脈、数学的基礎、および、ニューラルネットワークに関する文献の広範なレビューを提供する。
  論文  参考訳（メタデータ） (2021-11-22T18:57:51Z)
• This is not the Texture you are looking for! Introducing Novel Counterfactual Explanations for Non-Experts using Generative Adversarial Learning [59.17685450892182]
  反実用説明システムは、入力画像を変更して反実用推論を可能にする。 本稿では, 対向画像から画像への変換技術に基づく, 対向画像の説明を新たに生成する手法を提案する。 その結果,我々のアプローチは,2つの最先端技術システムよりも,メンタルモデル,説明満足度,信頼度,感情,自己効力に関して有意に優れた結果をもたらすことがわかった。
  論文  参考訳（メタデータ） (2020-12-22T10:08:05Z)
• Contrastive Representation Learning: A Framework and Review [2.7393821783237184]
  コントラスト学習の起源は1990年代まで遡り、その発展は多くの分野に及んでいる。 本稿では,多くの異なるコントラスト学習手法を単純化し,統一する一般的なコントラスト表現学習フレームワークを提案する。 コンピュータビジョンや自然言語処理,音声処理など,強化学習においても,コントラスト学習が適用された例も紹介されている。
  論文  参考訳（メタデータ） (2020-10-10T22:46:25Z)

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。